EUVIMEDEUVIMED entdecken
Systematische ÜbersichtOpen Access · CC BY 4.0

Engaging Artificial Intelligence (AI)-based chatbots in digital health: A systematic review

Einsatz von KI-basierten Chatbots in der digitalen Gesundheit: systematische Übersichtsarbeit

Shi Feng iD, Xiufang Leah Li iD, Alexandra Nicole Wake

PLOS Digital Health · 12.02.2026 · 5 (2) · e0001201

DOI: 10.1371/journal.pdig.0001201 ↗

Auf einen Blick

Die Übersichtsarbeit beschreibt Anwendungen und Evaluation von KI-basierten Chatbots in der digitalen Gesundheit. Analysiert wurden 20 von 348 gefundenen Artikeln; RCTs fehlen weitgehend.

Fragestellung

Welche Anwendungen und Bewertungsansätze gibt es für KI-basierte Chatbots im Gesundheitsbereich?

Methode

Systematische Übersichtsarbeit; 348 Artikel aus 8 Datenbanken gefunden, 20 analysiert.

Ergebnisse

Vier Themenbereiche: Textqualität, klinische Wirksamkeit, Nutzerengagement und Sicherheit. Zudem wurden ein Mangel an RCTs und die begrenzte Nutzung theoretischer Rahmenwerke berichtet.

Einschränkungen

Nur 20 von 348 Artikeln analysiert; geringe Zahl an RCTs; theoretische Rahmenwerke selten genutzt.

Schlussfolgerung der Autor:innen

Die Autor:innen sehen KI-basierte Chatbots als innovative Lösungen und verweisen auf weitere Forschungs- und Praxisbedarfe.

Kernaussagen

  • Vier Themenbereiche: Textqualität, klinische Wirksamkeit, Nutzerengagement, Sicherheit
  • 20 von 348 Artikeln analysiert
  • Mangel an RCTs und wenig theoretische Rahmenwerke

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Systematische Übersicht in der Zeitschrift PLOS Digital Health, online erschienen am 12.02.2026. Verfasst von Shi Feng und 2 weiteren Autor:innen. Beteiligte Einrichtung: School of Media and Communication, RMIT University, Melbourne, Victoria, Australia. Die Arbeit wurde bisher 8-mal zitiert (Crossref) und nennt 51 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

The healthcare sector is rapidly evolving with the integration of Artificial Intelligence (AI). As AI technologies shift from rule-based expert systems to deep learning architectures, AI-based chatbots have emerged as innovative solutions to persistent challenges in the health domain. Given the growing concerns about their effectiveness and ethical implications, as well as the demand to optimise their potential in facilitating health outcomes, this study conducts a systematic review of existing research on AI-based chatbots, focusing on their applications and evaluation. A total of 348 articles, collected from eight databases—PubMed/MEDLINE, EMBASE, PsycINFO, CINAHL, IEEE, the ACM Digital Library, Scopus, and Web of Science - 20 of which were analysed. This review identifies four main research areas concerning AI-based chatbots: text quality, clinical efficacy, user engagement, and safety. It also highlights the lack of randomised controlled trials (RCTs) and the limited use of theoretical frameworks in evaluating their performance. Future research directions and practical solutions are discussed.

Autor:innen und Institutionen

  • School of Media and Communication, RMIT University, Melbourne, Victoria, Australia.

ORCID-Profile: Shi Feng, Xiufang Leah Li

Zitieren

APA

Feng, S., Li, X. L., & Wake, A. N. (2026). Engaging Artificial Intelligence (AI)-based chatbots in digital health: A systematic review. PLOS Digital Health, 5(2), e0001201. https://doi.org/10.1371/journal.pdig.0001201

Vancouver

Feng S, Li XL, Wake AN. Engaging Artificial Intelligence (AI)-based chatbots in digital health: A systematic review. PLOS Digital Health. 2026;5(2):e0001201. doi:10.1371/journal.pdig.0001201

BibTeX
@article{Feng2026,
  author = {Feng, Shi and Li, Xiufang Leah and Wake, Alexandra Nicole},
  title = {Engaging Artificial Intelligence (AI)-based chatbots in digital health: A systematic review},
  journal = {PLOS Digital Health},
  year = {2026},
  volume = {5},
  number = {2},
  pages = {e0001201},
  doi = {10.1371/journal.pdig.0001201}
}
Kostenlos starten →