检测自杀行为和自我伤害的儿童提出紧急部门:一个基于树的分类方法
Juliet B Edgcomb1, Chi-Hong Tseng2, Mengtong Pan2
1UCLA Semel Institute for Neuroscience and Human Behavior, University of California, Los Angeles, Los Angeles, CA.
概括
统计学习模型可以改善儿童自杀行为和自我伤害的检测. 这些方法比标准的诊断代码更有效地识别有风险的年轻人.
科学领域:
- 儿科急诊医学 儿科急诊医学
- 计算精神病学是一种计算精神病学.
- 公共卫生监督是对公共卫生的监督.
背景情况:
- 自杀是美国儿童死亡的主要原因.
- 早期发现自杀行为和自伤行为至关重要.
- 电子健康记录 (EHR) 数据为改善身份识别提供了潜力.
研究的目的:
- 开发和验证一个统计学习模型,用于检测儿童的自杀行为.
- 将模型的性能与ICD-10-CM代码列表进行比较.
- 为了确定儿童急诊室访问中自杀倾向的关键预测因素.
主要方法:
- 分类和回归树 (CART) 模型是使用心理健康相关急诊室 (MH-ED) 访问 (2015-2019) 的EHR数据开发的.
- 数据包括两个地点的600名10-17岁儿童.
- 模型性能与儿童精神科医生图表审查 (黄金标准) 和ICD-10-CM代码进行评估.
主要成果:
- 近一半 (47.3%) 的访问与自杀有关.
- 在ICD-10-CM代码列表中,错过了29.9%的病例 (错误阴性).
- 与ICD-10-CM (70.7%) 相比,CART模型在检测与自杀有关的访问方面获得了更高的灵敏度 (85.1%).
结论:
- 标准诊断代码显著低于识别儿童的自杀行为和自我伤害.
- 使用EHR数据的CART模型显示,儿童自杀倾向的检测能力有所提高.
- 关键预测因素包括与自杀有关的代码,首席投诉,地点,区域剥夺和抑郁症.
