精神科の緊急治療室での自殺思考や行動に対するパーソナライズされた機械学習による意思決定支援

科学分野:

• 精神医学と人工知能
• 臨床的意思決定支援システム
• 公衆衛生と予測分析

背景:

• 精神科の緊急治療室にいる患者は,短期的に自殺の考えや行動 (STB) の高いリスクに直面します.
• 高リスクの患者を特定するための現在のツールは不十分であり,効果的な臨床意思決定を妨げています.
• STBの改善され,解釈され,パーソナライズされた予測方法が不可欠です.

研究 の 目的:

• XGBoostアルゴリズムを使用して1, 6, 12ヶ月以内に自殺思考 (SI) と自殺未遂 (SA) のリスクを予測する.
• 説明可能な人工知能 (XAI) の方法により,これらの予測モデルの解釈性を高める.
• 精神科の緊急事態におけるAIによるリスク予測の臨床的有用性と費用対効果を評価する.

主な方法:

• 構造化された電子医療記録 (EHR) を使用した機械学習 (ML) モデルの開発と評価.
• 精神科緊急治療室 (PED) で20年間に渡って26,198人の患者と51,397人の紹介から得られたデータです.
• モデル解釈のためのXGBoostアルゴリズムとローカルXAIテクニックを組み込んだ予測研究設計.

主要な成果:

• モデルの判別能力は良好 (AUC 0. 70- 0. 80) で,校正能力は優れた (ICI 0. 001- 0. 004).
• トップ20%の最も高いリスクの予測は,STBの全紹介の50~70%を占めた.
• XAIの方法は,予測の透明性と患者レベルの解釈性を大幅に改善しました.
• モデルには,費用対効果の高い介入のターゲット設定の基準が満たされていた.

結論:

• 地元のXAIで強化された機械学習モデルは,PEDで高リスクの個人を効果的に特定できます.
• これらのAI駆動のツールは,臨床医が STBの標的型で費用対効果の高い介入を実施するのに役立ちます.
• リスクの階層化の改善は,自殺思考や行動の短期的な再紹介を減らす可能性があります.