在非自杀自伤的青少年中,自杀企图的生物学现象:基于机器的学习方法

科学领域:

• 神经科学是一个神经科学.
• 青少年精神病学 青少年精神病学
• 生物标志物 生物标志物

背景情况:

• 非自杀性自我伤害 (NSSI) 是青少年自杀企图 (SA) 的重要危险因素.
• 对于有针对性的干预措施来说,区分单独NSSI和NSSI加SA的青少年至关重要.
• 机器学习方法为分析复杂的生物和临床数据提供了新的方法.

研究的目的:

• 研究神经生物学标记在区分患有NSSI和SA的青少年与仅患有NSSI的青少年中的有用性.
• 使用各种生物标志物和临床特征集,比较不同机器学习模型的预测性能.
• 确定特定的生物标志物,这些生物标志物对预测NSSI青少年的SA风险做出了最重要的贡献.

主要方法:

• 从门诊中招募161名患有NSSI的女性青少年.
• 应用机器学习模型 (逻辑回归,弹性网,随机森林,梯度增强树木) 与交叉验证.
• 测试一个完整的神经生物学标志物,一个减少的集合 (包括CRP,IL-6,皮质醇,DHEA-S,TSH,多巴胺,上腺素,ACTH),和一个临床模型 (抑郁症状,年龄).

主要成果:

• 减少的一组神经生物学标志物表现出SA的预测性表现差到相当 (AUC0.62-0.72).
• 高水平的脱氨硫酸 (DHEA-S) 和低水平的甲状腺刺激激素 (TSH) 是最重要的预测因素.
• 更复杂的模型显示出稍微更好的性能,功能选择提供了适度的改进.

结论:

• 神经生物学标志物,特别是DHEA-S和TSH,显示出评估NSSI青少年自杀风险的潜力.
• 机器学习模型可以帮助整合生物标志物数据,以改善风险分层.
• 需要进一步的纵向研究来验证这些发现及其临床实用性.