基于机器学习的自杀念头的识别使用非自杀预测因素在大学心理健康诊所的大学心理健康诊所

科学领域:

• 心理学 心理学 心理学
• 计算机科学 计算机科学
• 公共卫生 公共卫生

背景情况:

• 自杀每年在全球夺走超过70万人的生命,精神障碍是显著的危险因素.
• 由于复杂,多方面的因素和传统评估工具的局限性,预测自杀念头具有挑战性.
• 需要先进的预测方法来捕捉自杀思想的复杂动态.

研究的目的:

• 用机器学习模型预测大学生的自杀和自我伤害想法.
• 通过排除与自杀行为相关的预测因素来识别不太明显的风险因素.
• 为了更深入地了解精神病症状和自杀念头之间的关系.

主要方法:

• 通过使用七种机器学习算法,分析了924名寻求心理健康服务的大学生的数据.
• 使用患者健康问卷-9 (PHQ-9) 的第9项评估自杀念头.
• 开发了预测模型,最终模型仅使用DSM-5第1级自评交叉切割症状测量项的子域,在361个人的外部数据集上进行验证.

主要成果:

• 机器学习模型表现出强大的预测准确性,后勤回归和神经网络实现曲线下的面积 (AUC) 为0.80.
• 最终模型在培训数据上获得了0.80的AUC,在外部验证数据上获得了0.79的AUC.
• 关键预测因素包括人格功能和抑郁情绪 (增加可能性),而焦虑和重复的想法与减少可能性有关.

结论:

• 机器学习有效地预测自杀想法,而不依赖于自杀特定的输入,突出非自杀预测者的实用性.
• 人格功能,抑郁情绪和焦虑是影响自杀念头的关键方面.
• 研究结果支持提升早期检测和个性化干预措施,特别是对于那些不愿透露自杀想法的人来说.