人工智能确定青少年自杀和自残的主要预测因素

人工智能确定青少年自杀和自残的主要预测因素根据澳大利亚健康与福利研究所（AIHW）的数据，自杀是15-24岁澳大利亚人的首要死因。在美国，疾病控制和预防中心（CDC）将其列为10-14岁青少年的第二大死因。预测自杀或自残的标准方法依赖于将过去的自杀或自残尝试作为唯一的风险因素，但这可能并不可靠。现在，新南威尔士大学悉尼分校领导的研究人员利用机器学习（ML）准确识别出了导致青少年自杀和自残风险增加的首要因素。"有时我们需要消化和处理大量信息，这超出了临床医生的能力范围，"该研究的通讯作者Ping-IDanielLin说。"这就是我们利用机器学习算法的原因"。这项具有全国代表性的研究始于2004年，从澳大利亚儿童纵向研究（LSAC）中提取了2809名青少年的数据。这些青少年被分为两个年龄组：14至15岁和16至17岁。数据来自儿童、他们的照顾者和学校老师填写的调查问卷。在参与者中，10.5%的人曾报告过自我伤害行为，5.2%的人报告在过去12个月中至少尝试过一次自杀。研究人员从心理健康、身体健康、人际关系、学校和家庭环境等方面的数据中发现了4000多个潜在风险因素。他们使用随机森林（RF）算法来确定哪些14-15岁时出现的风险因素最能预测16-17岁时的自杀和自残企图。RF是一种由决策树组成的监督机器学习算法。它将多个决策树的输出结果结合起来，得出一个结果。RF算法的基本思想是，通过将多个决策树组合成一个模型，平均预测结果将更接近实际情况。研究人员将ML模型的预测性能与仅使用既往自残史或自杀未遂史作为预测指标的方法进行了比较。每个模型的性能都是通过评估曲线下面积（AUC）来确定的，AUC是一个性能指标，范围从0.5（不优于随机猜测）到1.0（完美预测）。一般来说，预测风险的AUC在0.7到0.8之间为可接受，0.8到0.9为优秀，超过9.0为杰出。过程中使用了48个变量来训练RF模型，以预测自残行为，结果显示该模型的AUC为0.740，预测效果尚可。在预测自杀未遂方面，使用315个变量训练的模型的AUC为0.722。在自残模型中，最主要的变量包括评估抑郁症状的"简短情绪和感觉问卷"（SMFQ）、评估行为和情绪的"优势和困难问卷"（SDQ）得分、生活压力事件、青春期量表、儿童与父母的关系、自主性、对学校的归属感以及儿童是否有男女朋友。在自杀未遂模型中，SMFQ、SDQ、评估焦虑症状严重程度的斯彭斯焦虑量表以及衡量健康相关生活质量的CHU9D指数是最主要的预测指标。与仅使用自残史或自杀未遂史作为预测指标相比，ML模型的效果更好。使用既往自残史预测重复自残的AUC为0.645，使用既往自杀未遂史预测重复自杀未遂的AUC为0.630，使用自残史预测自杀未遂的AUC为0.647。令研究人员感到惊讶的是，自杀或自残前科并非高危因素，而环境却扮演着如此重要的角色。Lin说："让我们感到惊讶的是，以前的尝试并不在首要风险因素之列。我们发现，年轻人所处的环境比我们想象的作用更大。从预防的角度来看，这是一件好事，因为我们现在知道，我们可以为这些人做更多的事情。"研究人员还指出，无论是自杀还是自残，都有其特有的因素。预测自杀的一个独特因素是缺乏自我效能感，当一个人感到无法控制自己的环境和未来时，就会产生这种感觉。自残的一个独特预测因素是缺乏情绪调节。研究人员说，他们的发现非常重要，因为这些发现倾向于推翻人们仅因心理健康状况不佳而自杀或自残的刻板印象。他们说，他们的模型可用于评估青少年的个体化风险。"基于患者信息，ML算法可以计算出每个人的得分，并将其整合到电子病历系统中，"Lin说。"临床医生可以快速检索这些信息，以确认或调整他们的评估。"在临床环境中推广这些模型之前，还需要进行更多的研究。它们需要应用于现实生活中的临床数据库，以验证其预测自杀和自残企图的有效性。"作为研究人员，我们将努力继续提供更多信息和证据。这是说服临床医生、家庭、患者和社区等利益相关者相信这些数据驱动的方法是有价值的"。该研究发表在《精神病学研究》（PsychiatryResearch）杂志上。...PC版：https://www.cnbeta.com.tw/articles/soft/1381485.htm手机版：https://m.cnbeta.com.tw/view/1381485.htm