连续时间和动态自杀企图风险预测与神经普通微分方程
Yi-Han Sheu1,2,3,4, Jaak Simm5, Bo Wang6,7,8,9
1Center for Precision Psychiatry, Massachusetts General Hospital, Boston, MA, USA. ysheu@mgh.harvard.edu.
NPJ digital medicine
|March 14, 2025
概括
这项研究引入了新的模型来预测随着时间的推移与自杀相关的动态行为 (SRBs) 风险,超越了静态评估. 这些模型为自杀预防策略提供了更高的准确性.
科学领域:
- 计算精神病学是一种计算精神病学.
- 机器学习在医疗保健中的应用
- 自杀学 自杀学
背景情况:
- 目前的自杀相关行为 (SRB) 风险评估是静态的,无法捕捉患者风险的动态变化.
- 现有的方法无法解释在临床实践中SRB风险的波动性.
研究的目的:
- 开发和验证用于预测动态SRB风险的新型计算模型.
- 为了使持续的风险估计和更新随着新的数据变得可用.
主要方法:
- 开发了两个新型模型类:事件-GRU-ODE和事件-GRU-Discretized.
- 使用大型电子健康记录数据库进行SRB预测的模型培训和验证.
- 在低患病率的一般群体中利用1.5年的预测窗口.
主要成果:
- 这两种模型都显示了SRB的高预测性歧视.
- 事件GRU-ODE实现了0.93的AUROC和0.10的AUPRC.
- 模型显示,在低患病率队列中,在95%的特异性下,相对风险为13.4.
结论:
- 开发的模型可以预测动态SRB风险作为连续轨迹.
- 这些模型代表了个性化自杀预防策略的重要一步.
- 未来的研究可以利用这些动态风险预测进行及时干预.
更多相关视频
05:19Author Spotlight: Therapeutic Benefit of Closed-Loop Deep Brain Stimulation in Depression Treatment
Published on: July 7, 2023
3.8K
06:15Effect of Yi-Nao-Jie-Yu Prescription on Post-Stroke Depression in Rats using Middle Cerebral Artery Occlusion Combined with Behavioral Restraint
Published on: January 9, 2026
187
