从临床笔记中自动检测和预测自杀行为,使用深度学习.
Brian E Bunnell1, Athanasios Tsalatsanis2, Chaitanya Chaphalkar2
1Department of Psychiatry and Behavioral Neurosciences, Morsani College of Medicine, University of South Florida, Tampa, Florida, United States of America.
PloS one
|September 15, 2025
概括
深度学习模型使用临床笔记准确地检测和预测故意自我伤害 (ISH). 这种方法是可行的,可以在各个机构中复制,改进了自杀预测的传统方法.
科学领域:
- 人工智能的人工智能
- 临床信息学 临床信息学
- 计算精神病学是一种计算精神病学.
背景情况:
- 深度学习 (DL) 模型为增强自杀预测提供了潜力.
- 现有研究面临的挑战是性能的一致性和站点对站点的可复制性.
- 需要在各种学术医学中心验证DL用于故意自我伤害 (ISH) 检测和预测.
研究的目的:
- 用临床笔记验证一种DL方法来检测和预测ISH.
- 评估DL模型对多个机构ISH预测的通用性.
主要方法:
- 从1538名ISH患者和3012名对照患者的EHR中提取了临床笔记.
- 评估了传统的词包模型 (天真贝叶斯,随机森林) 和CNN模型 (CNNr,CNNw).
- 评估了模型性能,用于在24小时内检测ISH,并在1-6个月前预测ISH.
主要成果:
- 在检测并发ISH时,CNN模型的表现明显优于词包模型 (AUCs .99,F1 0.94).
- 在预测未来的ISH (AUC 0.81-0.82,F1 0.61-0.64) 方面,CNN模型表现优于Naïve Bayes.
结论:
- 利用EHR和DL模型来使用临床笔记检测/预测ISH是可行的和可复制的.
- 这项研究表明了对自杀风险评估的DL方法进行多机构验证的潜力.
- 未来的研究将探索使用多种EHR数据进行更广泛的多站点验证.
