基于机器学习的青少年自杀思维预测,通过在3个独立的全球队列中推导和验证:算法开发和验证研究

科学领域:

• 青少年心理健康 青少年心理健康
• 计算精神病学是一种计算精神病学.
• 公共卫生 公共卫生

背景情况:

• 自杀是青少年死亡的主要原因,自杀集群构成了严重的公共卫生问题.
• 以前的研究通常依赖于单一国家的数据和传统的统计方法,限制了更广泛的见解.
• 解决青少年自杀问题需要创新的方法,特别是了解其预测因素.

研究的目的:

• 开发一个青少年自杀思维的预测模型.
• 利用跨国数据集和机器学习 (ML) 来提高预测准确度.
• 确定导致青少年自杀念头的关键风险因素.

主要方法:

• 在来自韩国,美国和挪威的大规模青少年数据集上使用机器学习,特别是基于树的模型,如XGBoost.
• 使用来自多个国家的数据进行预测模型的外部验证,以确保可通用性.
• 分析了特征重要性和沙普利值,以确定自杀思维的重要预测因素.

主要成果:

• XGBoost模型表现出卓越的预测性能,在所有数据集中实现了高的接收器操作特征下面面积 (AUROC) 曲线 (例如,韩国90.06%).
• 悲伤和绝望的感觉成为最有影响力的预测因素 (57.4%),紧随其后的是压力 (19.8%),年龄和社会经济因素.
• 该模型的有效性在各种人群中得到了验证,证实了其在预测青少年自杀思维方面的稳定性.

结论:

• 机器学习整合跨国数据为理解和预测青少年自杀思维提供了强大的方法.
• 情绪健康指标,特别是悲伤和绝望,是关键的预测指标,强调心理健康的重要性.
• 研究结果强调,对于青少年心理健康问题的早期发现和干预策略的迫切需要,以防止自杀.