预测临床显著自杀风险的可解释机器学习方法:希腊重大抑郁症患者的案例研究

科学领域:

• 精神病学是一个精神病学.
• 人工智能的人工智能
• 公共卫生 公共卫生

背景情况:

• 自杀是全球公共卫生问题,主要抑郁症患者的风险更高.
• 现有的关于MDD自杀倾向的研究缺乏对可解释的AI和心理变量的关注.
• 确定特定的风险和保护因素对于有效的自杀预防策略至关重要.

研究的目的:

• 应用可解释的AI和机器学习 (ML) 来预测MDD患者的自杀行为.
• 确定与自杀风险相关的关键心理和社会风险和保护因素.
• 探索ML在开发针对MDD自杀倾向的个性化临床干预措施中的实用性.

主要方法:

• 通过比较,统计和后期分析开发了一个机器学习管道.
• 这项研究分析了273名被诊断患有严重抑郁症 (MDD) 的患者的数据.
• 使用和优化了LightGBM分类器,获得0.895的ROC-AUC得分.

主要成果:

• 高抑郁症症状,对依赖/亲密关系的恐惧,人际拒绝和之前的自杀企图被确定为显著的危险因素.
• 获得心理健康护理,家庭支持和就业被发现是保护因素.
• 轻GBM模型在预测自杀行为方面表现出很高的性能.

结论:

• 心理因素 (依恋风格,抑郁症状) 和社会决定因素的组合对于解释自杀行为至关重要.
• 可解释的人工智能为识别高风险MDD患者提供了一个有希望的方法.
• 这些发现支持针对MDD自杀预防的量身定制临床干预措施的开发.