无人陪伴的年轻难民中自杀念头的患病率和危险因素:一种机器学习方法
Jacob Keller1,2,3, Jenny Eglinsky4, Maike Garbade5
1Clinical Child and Adolescent Psychology, Institute of Psychology, University of Bamberg, Kapuzinerstraße 32, 96047, Bamberg, Germany. jacob.keller@uni-bamberg.de.
European child & adolescent psychiatry
|September 11, 2025
概括
在无人陪伴的年轻难民 (UYR) 中,自杀念头很普遍. 机器学习模型准确地识别了有风险的个体,帮助对这个脆弱人群进行早期干预.
科学领域:
- 心理健康研究 心理健康研究
- 公共卫生 公共卫生
- 计算精神病学是一种计算精神病学.
背景情况:
- 自杀倾向构成了全球重大公共卫生挑战.
- 无人陪伴的年轻难民 (UYR) 面临心理健康障碍的风险增加,但关于他们自杀倾向的数据有限.
研究的目的:
- 调查UYR中自杀念头的流行情况.
- 开发和评估机器学习 (ML) 模型,用于预测UYR中自杀倾向.
主要方法:
- 在623个UYR的数据集上训练了四个ML分类器 (逻辑回归,随机森林,SVM,XGB).
- 使用的特征包括人口统计,家庭联系,父母身份,创伤后应激症状 (PTSS),抑郁症状和过去的自杀企图.
- 在94个UYR的独立数据集上测试了分类器的性能.
主要成果:
- 在组合样本中,过去一周的自杀念头的患病率为18.13% (N=717).
- 所有ML分类器都表现出强大的预测性能 (准确度为0.734-0.840,AUC为0.853-0.880).
- 确定的主要危险因素是过去的自杀企图,PTSS和抑郁症状;有一个活着的母亲是一个保护因素.
结论:
- 自杀想法在UYR中很常见.
- ML分类器准确地识别了有自杀念头的个体,对约85%的个人进行了正确分类.
- 在评估中实施ML可以加强对有风险的UYR的早期识别和干预.