|
“ AI如能如此，善莫大焉！”
研究人员使用机器学习算法来识别可以预测青少年自残和自杀风险的主要因素。他们说，他们的模型比现有的风险预测器更准确，可以用来为脆弱的病人提供个性化的护理。有的时候预测准确性及灵敏度是健康的关进因素。 01 — 愿闻其详（上） 青春期是一个关键的形成时期。身体、情感和社会的变化可能使青少年容易受到精神健康问题的影响，包括自杀企图和自残。根据澳大利亚健康与福利研究所(AIHW)的数据，自杀是15至24岁澳大利亚人死亡的主要原因。在美国，疾病控制和预防中心(CDC)将其列为10至14岁儿童的第二大原因。
预测自杀或自残的标准方法依赖于过去的自杀或自残企图作为唯一的风险因素，这可能是不可靠的。现在，由悉尼新南威尔士大学领导的研究人员使用机器学习(ML)来准确识别导致青少年自杀和自残风险增加的主要因素。
“有时我们需要消化和处理大量的信息，这超出了临床医生的能力，”该研究的通讯作者林平一(Ping-I Daniel Lin)说。“这就是我们利用机器学习算法的原因。” 从澳大利亚儿童纵向研究(LSAC)中提取了2809名青少年的数据，这是一项始于2004年的全国代表性研究。这些青少年被分为两个年龄组:14- 15岁和16- 17岁。这些数据来自儿童、他们的看护人和学校老师完成的问卷调查。在参与者中，10.5%的人报告有过自残行为，5.2%的人报告在过去12个月内至少尝试过一次自杀。
02 — 愿闻其详（下） 研究人员从心理健康、身体健康、人际关系、学校和家庭环境等领域的数据中确定了4000多个潜在的风险因素。他们使用随机森林(RF)算法来确定14-15岁时看到的哪些风险因素最能预测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组合在一起，得到一个单一的结果。RF背后的基本思想是，通过将许多决策树组合到一个模型中，预测将更接近平均水平。
将ML模型的预测性能与仅使用自我伤害或自杀企图历史作为预测因素的方法进行比较。每个模型的性能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(不比随机猜测好)到1.0(完美预测)。一般来说，预测风险的AUC在0.7到0.8之间被认为是可以接受的，0.8到0.9之间是优秀的，超过9.0被认为是杰出的。使用48个变量训练RF模型预测自我伤害，AUC为0.740，具有较好的预测效果。在预测自杀企图方面，该模型使用315个变量进行训练，AUC为0.722。
对于自残模型，确定的最重要变量包括评估抑郁症状的短期情绪和感受问卷(SMFQ)，评估行为和情绪、压力生活事件、青春期量表、亲子关系、自主性、对学校的归属感以及孩子是否有男朋友/女朋友的优势和困难问卷(SDQ)得分。对于自杀企图模型，最重要的预测指标是SMFQ、SDQ、评估焦虑症状严重程度的斯宾塞焦虑量表(Spence Anxiety Scale)和衡量健康相关生活质量的CHU9D指数(CHU9D Index)。
与仅使用自残或自杀企图的历史作为预测因素相比，机器学习模型表现更好。用既往自残预测再次自残的AUC为0.645，用既往自杀企图预测再次自残的AUC为0.630，用自我伤害预测自杀企图的AUC为0.647。令研究人员惊讶的是，之前的自杀或自残企图并不是一个高风险因素，而环境却起了如此重要的作用。
林说:“我们很惊讶地发现，以前的尝试并不是最危险的因素之一。”“我们发现，年轻人所处的环境比我们想象的更重要。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，自杀或自残都有一些独特的因素。“自杀的一个独特预测因素是缺乏自我效能感，当一个人感到对自己的环境和未来缺乏控制时，”林说。“而自我伤害的一个独特预测因素是缺乏情绪调节。
研究人员表示，他们的发现很重要，因为它们往往会推翻人们自杀或自残仅仅是因为心理健康状况不佳的刻板印象。他们说，他们的模型可以用来评估青少年的个体化风险。“基于患者信息，机器学习算法可以为每个人计算一个分数，并可以集成到电子病历系统中，”林说。“临床医生可以迅速检索这些信息，以确认或调整他们的评估。”
在这些模型能够在临床环境中推广之前，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，以验证它们在预测自杀和自残企图方面的有效性。“作为研究人员，我们将继续努力获取更多的信息和证据，”林说。“这是让利益相关者——临床医生、家庭、患者和社区——相信这些数据驱动的方法是有价值的方式。” |
|
|
