基于机器学习的阈下失眠人群自杀意念与抑郁风险预测模型构建与验证

《BMC Psychiatry》：Prediction of suicidal ideation and depression in the general population with subthreshold insomnia using machine learning models

本研究针对失眠作为抑郁与自杀独立风险因子却常被漏诊的临床难题，开发了一种基于逻辑回归的机器学习间接筛查模型。通过分析斯洛文尼亚全国社区样本（N=2,989）的 sociodemographics、生活满意度、行为变化及14种Brief COPE应对策略等间接指标，模型在失眠组（ISI≥8）与非失眠组中均表现出稳定预测效能（SI模型AUROC：0.78-0.80；抑郁模型AUROC：0.79-0.82）。该研究为睡眠门诊等高危场景提供了无创、高效的早期筛查工具，对降低自杀与抑郁相关 morbidity 与 mortality 具有重要意义。

　　

在全球范围内，抑郁症影响着约2.8亿人，不仅是导致日常功能受损的主要原因，更与自杀风险密切相关。失眠作为抑郁症的核心症状之一，近年被多项研究证实是自杀行为的独立风险因素——即使控制其他精神疾病的影响，失眠患者出现自杀意念的风险仍会增加约2.1倍。然而，传统筛查方法在识别伴有睡眠问题的高危人群时存在局限，部分患者因病耻感或认知偏差未能及时披露心理困扰，导致干预时机延误。在这一背景下，Polona Rus Prelog团队尝试通过机器学习技术，探索一种不直接询问自杀意图的间接筛查新路径。

为验证这一设想，研究团队从斯洛文尼亚全国社区样本中收集了2,989名成年人的线上问卷数据，重点分析了两类目标变量：通过自杀意念属性量表（SIDAS）评估的自杀意念（SI）和基于DASS-21量表的中度以上抑郁状态。预测变量涵盖四大维度：人口统计学特征（年龄、性别、同住人数）、生活满意度（经济状况、人际关系、居住条件）、行为变化（物质使用增加、体育活动与饮食变化、每日上网时长）以及Brief COPE量表中的14种应对策略（如自我责备、物质使用、积极重构等）。研究人员采用逻辑回归（LGR）等机器学习算法构建预测模型，并特别将验证样本按失眠严重指数量表（ISI）得分划分为失眠组（ISI≥8）与非失眠组，以检验模型在不同人群中的稳定性。

关键结果显示，自杀意念预测模型在失眠组的曲线下面积（AUROC）为0.78，非失眠组为0.80；抑郁预测模型的AUROC分别为0.79和0.82。两组性能差异微小，表明模型对失眠症状的存在与否不敏感，具有强鲁棒性。表1进一步揭示了预测因子的贡献度：自我责备（BC Self-Blame）与行为脱离（BC Behavioral Disengagement）对两种结局均呈正向影响，而积极重构（BC Positive Reframing）和人际关系满意度则为保护性因素。这一发现与临床观察高度一致——消极应对机制会加剧心理危机，而社会支持与认知调整能力可降低风险。

研究结论强调，基于间接指标的机器学习模型能同步筛查自杀风险与抑郁状态，且在失眠人群中保持高精度。这一策略尤其适用于初级保健机构或睡眠门诊——患者常因睡眠问题主动就医，间接筛查既可避免直接询问带来的心理负担，又能实现早期风险识别。尽管该模型仍需在跨文化人群和真实临床场景中进一步验证，但其已展现出作为公共卫生防控工具的潜力：通过整合至数字健康平台，可大规模、低成本地发现高危个体，为后续精准干预争取时间。正如作者在《BMC Psychiatry》所述，这项研究为利用“可及性症状”（如失眠）构建心理健康预警系统提供了重要范式。