基于机器学习方法,构建和验证出院后情绪障碍患者自杀企图的预测模型:为期两年的后续研究
Yannan Deng1, Haotian Shen1, Chaoshi Zhang2
1The National Clinical Research Center for Mental Disorders & Beijing Key Laboratory of Mental Disorders, Beijing Anding Hospital, Capital Medical University and the Advanced Innovation Center for Human Brain Protection, Capital Medical University, Beijing, China.
Journal of affective disorders
|March 12, 2026
概括
这项研究开发了一种机器学习模型,用于预测出院后情绪障碍患者的自杀企图 (SA). 随机森林模型有效地识别了高风险个体,最近的SA是关键预测因素.
科学领域:
- 精神病学和心理健康 精神病学和心理健康
- 计算生物学 计算生物学
- 在医疗保健中的数据科学.
背景情况:
- 情绪障碍 (MD) 患者的自杀尝试 (SA) 需要集中注意力.
- 有限的研究存在于预测SA在精神病医院的住院患者下院后.
- 开发预测模型对于及时干预至关重要.
研究的目的:
- 构建和验证一种机器学习模型,用于在医院出院后两年内预测MD患者的SA.
- 在这个脆弱人群中确定SA的关键预测因素.
- 加强退院后的护理策略.
主要方法:
- 随访了865名MD患者在出院后两年.
- 利用LASSO回归来选择特征,并使用八种机器学习算法来构建模型.
- 评估模型使用灵敏度,AUC和FI分数,使用SHAP进行特征解释.
主要成果:
- 随机森林 (RF) 模型表现出强大的预测性能 (测试AUC=0.770).
- 最近的SA (3个月内) 成为最重要的预测因素.
- 以前的非自杀性自伤 (NSSI) 是比以前的SA或自杀行为 (SB) 更强的指标.
结论:
- 射频算法有效地构建了一种可靠的风险预测模型,用于医院住院的MD患者的SA.
- 该模型有助于在出院后两年内识别SA高风险患者.
- 结果支持针对高风险个体的针对性干预,基于已识别的预测因素.
