基于机器学习的情绪障碍自杀企图风险预测模型的构建和验证
Yannan Deng1, Jinhe Zhang1, Xinyu Liu2
1The National Clinical Research Center for Mental Disorders & Beijing Key Laboratory of Mental Disorders, Beijing Anding Hospital, Capital Medical University, Beijing, China; Advanced Innovation Center for Human Brain Protection, Capital Medical University, Beijing, China.
Journal of affective disorders
|March 26, 2025
概括
这项研究开发了一种机器学习模型,用于预测情绪障碍 (MD) 患者的自杀尝试 (SA). 随机森林模型,使用诸如极性和先前的SA等特征,显示出很好的预测能力来识别高风险个体.
科学领域:
- 精神病学和心理健康 精神病学和心理健康
- 计算医学是一种计算医学.
- 医疗保健中的机器学习
背景情况:
- 情绪障碍 (MD) 与自杀企图 (SA) 有着显著的关联.
- 早期识别患有多发性硬化症的高风险个体对于预防自杀至关重要.
- 开发准确的预测模型可以帮助主动干预.
研究的目的:
- 构建和验证用于预测MD患者SA的机器学习模型.
- 确定MD人口中SA的关键预测因素.
- 评估SA预测的不同机器学习算法的性能和稳定性.
主要方法:
- 利用了1099名MD患者的数据进行模型构建和387人进行外部验证.
- 在特征选择中使用绝对最小收缩和选择运算符 (LASSO) 回归.
- 应用并比较了十个机器学习算法,根据AUC,F1得分和准确性选择了表现最佳的模型.
- 使用Shapley添加式解释 (SHAP) 进行特征重要性分析和k-fold交叉验证以评估模型稳定性.
主要成果:
- 随机森林 (RF) 模型表现出强大的分辨能力和稳定性,AUC值为0.741 (测试),0.786 (培训) 和0.788 (验证).
- 预测模型确定了8个关键特征,其中"极性"和"以前的SA"是最重要的预测因素.
- 射频模型证明在预测MD患者的SA风险方面是有效的.
结论:
- 随机森林 (RF) 算法是构建MD患者SA有效风险预测模型的合适方法.
- 这些发现强调了特定临床特征在预测SA风险方面的重要性.
- 经过验证的模型为高风险MD人群的早期识别和干预提供了有希望的工具.
