机器学习模型的验证,用于在一般人群中间接选自杀念头

科学领域:

• 公共卫生 公共卫生
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 自杀是全球主要的健康问题,每年造成70万多人死亡.
• 有效的自杀预防策略至关重要,但目前对自杀念头 (SI) 的查方法缺乏准确性.
• 自杀倾向,从被动的想法到行动,需要可靠的检测及时干预.

研究的目的:

• 通过间接问题验证一个机器学习 (ML) 模型来选自杀倾向.
• 评估模型在区分人口群体 (年龄,性别) 中自杀风险方面的表现.
• 评估模型的概括性和稳定性,以防潜在的机器学习漂移.

主要方法:

• 开发了一种ML模型,使用了早期COVID-19流行病的数据,结合了习惯,人口统计,应对策略和生活满意度.
• 在一个新的1199名受访者样本上验证了模型.
• 评估模型性能及其在不同人群和时间框架中的通用性.

主要成果:

• ML模型的表现与初始研究的表现相当.
• 该模型在具有不同特征的种群中显示出良好的概括性,没有显著的机器学习漂移.
• 在样本中报告了过去一个月自杀念头 (SI) 的流行率为18.6%.

结论:

• 经过验证的间接自杀性查ML模型在不同的情况和时间框架中是有效的.
• 这种工具具有显著的潜力,可以增强一般人群的自杀预防和干预工作.
• 间接查方法为提高自杀风险评估的准确性和可访问性提供了一个有希望的途径.