机器学习模型用于预测青少年使用电子健康记录的心理健康危机:系统审查

科学领域:

• 公共卫生 公共卫生
• 计算机科学 计算机科学
• 精神病学是一个精神病学.

背景情况:

• 在全球范围内,青少年自杀,自我伤害和精神危机的发生率不断上升.
• 传统临床风险评估在识别高风险青年方面的局限性.
• 机器学习 (ML) 与电子健康记录 (EHR) 的新兴潜力,用于预测心理健康危机.

研究的目的:

• 系统地审查和综合使用EHR数据对ML模型的研究,以预测青少年自杀企图,自我伤害或精神病患者住院治疗.
• 评估这些ML模型的性能和确定其局限性.

主要方法:

• 系统审查遵循系统审查和元分析 (PRISMA) 准则的首选报告项目.
• 搜索了六个数据库 (2000-2025年) 用于使用ML算法对EHR数据进行青少年心理健康危机预测的研究.
• 包括与青少年队列 (10-20岁) 的研究,EHR数据和性能指标 (AUC,灵敏度,特异性);使用PROBAST评估偏差风险.

主要成果:

• 来自高收入国家的五项回顾性研究 (2019-2024) 符合纳入标准.
• ML模型显示中度至高的歧视 (AUC 0.68-0.88),特别是在混合数据的短期自杀预测中.
• 由于外部验证和校准不足而存在显著的偏差风险;积极的预测值适度.

结论:

• 机器学习模型显示了使用电子健康记录数据改善青少年自杀风险分类的潜力,优于传统方法.
• 关于通用性,伦理考虑和实施,仍然存在挑战.
• 在临床整合之前,广泛的验证,校准和公平评估至关重要.