基于机器学习模型的韩国青少年自杀企图与自杀意念鉴别因素比较研究

本研究应用四种机器学习算法（LR、决策树、随机森林、XGBoost）分析54,948名韩国青少年数据，发现自杀企图（SA）预测需综合心理、社会、经济等多维度因素，而自杀意念（SI）主要由心理健康变量驱动。模型在SA-SI（AUC 0.705）、SA-All（AUC 0.944）和SI-All（AUC 0.874）中表现差异显著，提示从SI进展至SA存在多因素交互机制，为青少年自杀风险精准防控提供新视角。

　　

研究亮点

尽管大多数有自杀意念（SI）的青少年不会尝试自杀（仅有不到三分之一会报告自杀企图），但区分自杀企图者（SA）的特征仍待深入探索。本研究创新性地在SI亚组中构建SA鉴别模型（SA-SI），并与全样本的SA预测模型（SA-All）和SI识别模型（SI-All）进行多维度对比。

结论

1. 1.
   模型性能差异：SA-SI模型表现中等（AUC 0.705），SA-All模型极佳（AUC 0.944），SI-All模型良好（AUC 0.874）。逻辑回归（LR）在四类机器学习算法中稳定性最优。
2. 2.
   类不平衡挑战：SA-SI、SA-All和SI-All模型的阳性预测值虽分别为原始患病率（15.7%、1.9%、10.7%）的1.6倍、7.9倍和3.1倍，但因事件罕见性限制，绝对预测效能仍显不足。
3. 3.
   风险因素异质性：SA模型整合了心理健康、社会人口学、经济状况、健康状态与行为等多领域变量，而SI模型仅由心理健康变量主导。这表明情绪脆弱性是SI的核心基础，而向SA的演进则涉及心理、行为与环境的复杂交互。跨领域综合干预策略有望提升高危青少年群体的识别与预防效能。