用机器学习模型预测青春期前儿童的自杀念头:一项纵向研究

科学领域:

• 精神病学是一个精神病学.
• 计算心理学 计算心理学
• 儿童心理学 儿童心理学

背景情况:

• 自杀念头 (SI) 是青少年和成年人关注的一个问题,但对于青春期前儿童缺乏预测模型.
• 在过渡到青春期时,SI的患病率会增加,因此需要早期检测方法.
• 这项研究解决了在青春期前人口中需要准确和高效的SI预测模型的需求.

研究的目的:

• 探索机器学习 (ML) 模型在预测青春期前儿童中SI的有效性.
• 在这个年龄组中确定SI的关键预测变量.
• 评估ML作为儿童自杀风险查工具的潜力.

主要方法:

• 我们比较了四种ML模型:随机森林 (RF),决策树 (DT),支持矢量机 (SVM) 和多层感知器 (MLP).
• 利用了4691名中国儿童 (平均年龄10.92) 和他们的父母的数据,对SI进行了6个月的随访.
• 使用表现最佳的ML模型确定预测变量.

主要成果:

• 随机森林 (RF) 模型表现出卓越的性能,AUC为0.92,精度为0.93.
• 对SI的关键预测因素包括内化问题,外化问题,神经病,童年虐待和主观学校幸福感.
• 这些因素集体显示,在研究的队列中,SI的预测值很高.

结论:

• 分析儿童特征和经验的ML模型可以作为青春期前儿童自杀风险查的实用工具.
• 这些发现支持使用ML来方便和有效地评估这一群体的自杀风险.
• 这项研究为为青春期前的SI开发早期干预策略提供了有价值的见解.