Integración de múltiples métodos de evaluación de características para identificar los principales factores...

Área de la Ciencia:

• Salud pública
• Aprendizaje automático
• Epidemiología

Sus antecedentes:

• Las altas tasas de intentos repetidos de suicidio plantean un desafío significativo para la salud pública.
• Identificar a las personas con alto riesgo de reincidencia es difícil, especialmente con recursos limitados.
• Se necesitan herramientas precisas y prácticas de evaluación de riesgos para una prevención eficaz del suicidio.

Objetivo del estudio:

• Para identificar predictores clave de repetidos intentos de suicidio utilizando el aprendizaje automático.
• Desarrollar un modelo predictivo para la intervención temprana y la asignación de recursos.
• Abordar la brecha en la identificación de individuos de alto riesgo para la prevención del suicidio.

Principales métodos:

• Análisis de 32,701 personas del Sistema Nacional de Vigilancia del Suicidio de Taiwán (2020).
• Utilizó regresión de árbol de decisión binario y técnicas de selección de características múltiples.
• Desarrolló un modelo predictivo sin muestras biológicas.

Principales resultados:

• El historial de enfermedad mental, la edad y el estado de supervisión fueron los principales predictores de los intentos repetidos.
• El modelo logró una precisión del 66,3% en la identificación de posibles intentos repetidos.
• El modelo mostró una tasa de éxito del 57,9% en la predicción de eventos de re-suicidio.

Conclusiones:

• Se desarrolló una herramienta práctica de evaluación de riesgos para la intervención temprana sin muestreo invasivo.
• Los hallazgos ofrecen orientación para las políticas gubernamentales de prevención del suicidio y la priorización de recursos.
• El trabajo futuro podría mejorar los sistemas de prevención mediante la integración de datos y la cooperación interdisciplinaria.