监狱中的自杀风险查:利用心理健康研究网络算法和医疗保健数据进行试点研究的协议

科学领域:

• 公共卫生 公共卫生
• 数据科学数据科学数据科学
• 犯罪学 犯罪学

背景情况:

• 与普通人口相比,当地监狱的自杀率更高,这凸显了改善风险查的必要性.
• 目前的监狱自杀风险查方法往往不足,缺乏经过验证的仪器和临床监督,可能无法引起诚实的反应.
• 机器学习 (ML) 模型已经证明,与传统实践相比,提高自杀风险检测的准确性具有潜力.

研究的目的:

• 评估在监狱预订时使用行政数据和ML建模来检测自杀风险的可行性和实用性.
• 为了验证现有的ML模型,使用来自两个不同监狱的个人的综合索赔数据.
• 纳入关于增强自杀风险检测方法临床结果的假设测试.

主要方法:

• 使用约6000个监狱预订的行政,医疗补助和重要记录数据验证了先前存在的ML模型.
• 利用5年历史医疗保健数据中的313个人口和临床特征进行模型验证.
• 合并监狱行政数据 (2021-2022),医疗补助记录 (2016-2023) 和重要记录 (2022-2023),以检测自杀风险.

主要成果:

• 将使用C-统计和接收器操作特征曲线下的区域来评估ML算法的性能.
• 将ML模型的预测与当前的自杀识别实践 (PAU) 对已确定的自杀未遂和死亡进行比较.
• 对算法预测与实际事件的验证计划于2025年春天进行,预计结果将于2025年秋天发布.

结论:

• 该研究旨在调查实施因素,如可行性,可接受性和适当性,以促进监狱采用ML模型.
• 假设使用摄入查PAU和ML模型的综合方法将提供最佳的准确性和实际应用.
• 预计在2026年传播研究结果,在2025年夏天收集有关实施因素的数据之后.