使用机器学习对住院患者自伤和自杀企图的动态预测:朝着数据驱动的临床监测

科学领域:

• 精神病学是一个精神病学.
• 医疗保健中的机器学习
• 心理健康预测 心理健康预测

背景情况:

• 由于基准率较低,预测自我伤害和自杀企图具有挑战性.
• 在入院时收集的静态患者数据对持续的风险评估有局限性.
• 动态,实时的患者数据为提高预测准确性提供了潜力.

研究的目的:

• 为了提高精神病医院住院患者自我伤害事件的预测.
• 为了比较使用静态与动态自我报告的心理健康数据的预测模型.
• 评估机器学习模型的日常风险预测能力.

主要方法:

• 利用了17508名精神病医院住院患者的数据,每天报告他们的心理健康状况.
• 开发了机器学习模型,在7天的窗口内预测自我伤害.
• 与每天更新的自我报告数据相比,结合静态录取数据的模型进行了比较.

主要成果:

• 动态模型保持了稳定的预测性能,而静态模型则降低了性能.
• 所有模型都检测到事件,但静态模型显示错误阳性增加,准确性下降.
• 随着时间的推移,每日更新的自我报告数据显著提高了风险预测的可靠性.

结论:

• 动态的,每天自我报告的数据增强了自我伤害预测模型的性能.
• 这些模型可以为有风险的患者提供及时的临床警报.
• 进一步的研究应该确定特定的标记,以进一步提高预测的准确性.