使用可解释的机器学习模型识别体征性症状障碍的门诊患者在过去一年内自我报告的自杀倾向:使用在线计算器进行多中心研究
Xing Wang1, Shuixiu Lai2, Peng Wang3,4
1Department of Neurosis and Psychosomatic Diseases, Huzhou Third Municipal Hospital, The Affiliated Hospital of Huzhou University, Huzhou, Zhejiang, China.
BMC psychiatry
|February 17, 2026
概括
一个新的模型使用常规数据准确地识别了高危自杀的体征障碍 (SSD) 患者. 这种工具有助于临床医生优先考虑SSD患者的自杀风险评估.
科学领域:
- 精神病学是一个精神病学.
- 临床心理学 临床心理学
- 医疗信息学 医疗信息学
背景情况:
- 身体症状障碍 (SSD) 与增加自杀风险有关.
- 现有有限的工具可以识别高风险的SSD门诊患者,以进行紧急自杀评估.
- 使用常规门诊数据开发一个可解释的模型对于风险分层至关重要.
研究的目的:
- 开发和验证一种可解释的模型,用于对患有SSD的成年人过去一年的自杀风险进行分层.
- 利用常规可用的门诊数据来预测自杀倾向.
- 创建一个临床上可实施的工具来优先评估自杀风险.
主要方法:
- 分析了899名成年人 (18-60岁) 的多中心注册表,其中包括DSM-5定义的SSD.
- 预测者是使用LASSO和Boruta方法选择的.
- 通过交叉验证训练和比较八种算法;顶级模型通过校准和决策曲线分析进行验证. SHAP值解释了模型预测.
主要成果:
- 随机森林 (RANGER) 模型在预测过去一年的自杀倾向 (19.9%的患病率) 中实现了高歧视性 (AUC=0.978).
- 关键预测因素包括失眠严重程度,正念方面以及神经心理评估得分.
- 该模型显示了良好的校准和有利的临床净益处.
结论:
- 一个可解释的基于RANGER的模型有效地对SSD门诊患者的自杀风险进行了分类.
- 该模型显示了强大的内部性能和临床实用性.
- 有网页计算器可用,但在日常使用之前需要外部验证和前性研究.
