使用机器学习在高自杀风险患者中识别瞬间自杀念头
M L Bozzay1, C D Hughes2, C Eickhoff3
1Department of Psychiatry & Human Behavior, Alpert Medical School of Brown University, Box G-BH, Providence, RI 02912, United States; Department of Psychiatry and Behavioral Health, The Ohio State University Wexner Medical Center, 370 W. 9th Avenue, Columbus, OH 43210, United States.
Journal of affective disorders
|August 14, 2024
概括
机器学习模型准确地识别了自杀念头 (SI) 的特征. 结合基线和瞬间数据显著提高了分类准确性,帮助高风险患者的干预策略.
科学领域:
- 精神病学是一个精神病学.
- 计算精神病学是一种计算精神病学.
- 医疗保健中的机器学习
背景情况:
- 准确检测自杀念头 (SI) 对于及时干预至关重要,特别是在护理过渡期间.
- 机器学习在使用瞬时数据对SI进行分类方面表现有前途.
- 本研究调查了训练数据类型如何影响SI分类的机器学习模型准确性.
研究的目的:
- 评估不同类型的训练数据 (基线与瞬间) 对机器学习模型准确度对自杀念头 (SI) 进行分类的影响.
- 确定有助于SI特征分类的关键风险因素.
- 探索机器学习在指导SI的干预策略方面的潜力.
主要方法:
- 257名精神病医院住院患者参加了为期3周的生态瞬间评估和自杀风险因素评估.
- 机器学习模型使用基线和/或瞬间自杀风险数据进行训练.
- 分析了特征重要性指标,以确定SI特征的关键预测指标.
主要成果:
- 与使用单个数据类型的模型相比,结合基线和瞬间特征的模型在分类SI存在,持续时间和强度方面表现优异.
- 这些模型有效地区分了SI的个体特征.
- 对SI存在,持续时间和强度的分类准确性在不同模型中是可比的.
结论:
- 机器学习方法有效地识别了自杀念头 (SI) 的特征.
- 了解驱动不同SI特征的因素对于开发有针对性的干预至关重要.
- 需要进一步的研究,以将研究结果推广到高风险住院患者样本之外,并探索时间关系.
