机器学习揭示加纳青少年自杀风险：社会生态与心理因素的国家代表性研究

《Cambridge Prisms: Global Mental Health》：A Machine Learning Analysis of Socio-Ecological and Psychological Risk Factors for Suicide Among a Nationally Representative Sample of Ghanaian Junior High School Students

本研究针对加纳等中低收入国家（LMICs）青少年自杀这一严峻的公共卫生问题，利用机器学习（ML）技术分析了全国代表性样本中社会生态和心理危险因素对自杀意念、计划和企图的影响。研究发现抑郁症状（r=.42, p<.01）、焦虑（r=.38, p<.01）和感知压力（r=.35, p<.01）是自杀风险的最强预测因子，而父母支持则是重要的保护性因素（r=-.34, p<.01）。随机森林模型展现出良好的预测性能（准确率=78.3%，AUC=0.81）。该研究为资源有限地区提供了可扩展的精准筛查工具，对制定文化相关的干预策略具有重要意义。

　　

在全球范围内，青少年自杀已成为一个紧迫的公共卫生危机，尤其在像加纳这样的中低收入国家（Low- and Middle-Income Countries, LMICs），心理健康资源匮乏使得这一问题尤为突出。加纳的青少年面临着惊人的自杀行为发生率，研究表明，分别有18.2%、22.5%和22.2%的高中生报告有过自杀意念、自杀计划和自杀企图。传统的风险评估方法往往难以捕捉到心理与社会生态因素之间复杂的相互作用，而机器学习（Machine Learning, ML）技术的出现，为解决这一难题带来了革命性的机遇。

在这项发表于《Cambridge Prisms: Global Mental Health》的研究中，研究人员Enoch Kordjo Azasu及其团队首次将机器学习技术应用于加纳青少年的全国代表性数据，旨在揭示影响自杀行为的关键因素，并开发精准的预测工具。研究采用横断面调查设计，覆盖了加纳北部、东部、南部和中部四大地理区域的1703名12至18岁的初中生，样本涵盖了农村、城乡结合部和城市地区，确保了数据的广泛代表性。

为了开展这项研究，研究人员主要运用了几个关键技术方法。他们通过分层随机抽样招募参与者，并使用经过验证的量表收集数据，包括世界卫生组织复合国际诊断访谈（WHO-CIDI）用于评估自杀行为，以及测量抑郁症状、焦虑症状、感知压力、社交媒体成瘾、创伤暴露和父母支持等变量。数据分析阶段，研究团队采用了随机森林（Random Forest）和逻辑回归（Logistic Regression）两种机器学习模型来预测自杀风险，并通过准确率、敏感度、特异性及特征重要性分析来评估模型效果。样本队列来源于加纳全国的初中在校学生。

描述性统计

参与者的平均年龄为14.3岁（标准差SD=1.42），其中58.7%为女性。有24.3%的参与者报告有过自杀意念，18.2%报告有过自杀计划，12.5%报告有过自杀企图。这些数据清晰地描绘了加纳青少年所面临的心理健康挑战的严重程度。

自杀风险的心理和社会生态预测因素

相关性分析显示，心理因素与自杀风险之间存在显著关联。抑郁症状与自杀风险的正相关性最强（r=.42, p<.01），其次是焦虑（r=.38, p<.01）和感知压力（r=.35, p<.01）。另一方面，父母支持则表现出显著的负相关（r=-.34, p<.01），表明其保护作用。

风险因素的性别差异

性别差异分析揭示了不同性别的青少年在风险因素上的显著区别。女性参与者在抑郁症状（t=4.89, p<.001）、焦虑（t=6.32, p<.001）和感知压力（t=4.15, p<.001）方面报告的水平显著高于男性，表明女性承受着更大的心理负担。在社会生态因素方面，女性也报告了更高的社交媒体成瘾（t=4.78, p<.001），而男性则报告了略高的父母支持（t=-2.45, p=.014）。这些发现强调了在制定干预策略时需要考虑性别特异性因素的重要性。

预测模型性能

随机森林模型在预测自杀风险方面表现出良好的性能，准确率达到78.3%，曲线下面积（Area Under the Curve, AUC）为0.81，显示出较强的区分能力。与逻辑回归模型相比，随机森林因其能够捕捉变量间的复杂非线性关系而表现出更优的预测准确性。

特征重要性分析

特征重要性分析揭示了各预测因子对模型的相对贡献程度。心理因素，特别是抑郁症状、焦虑症状和感知压力，是预测自杀风险的最重要因素。社会生态因素中，父母支持和社交媒体成瘾也显示出显著的影响力。这一分析结果量化了不同风险因素的相对重要性，为优先干预目标提供了数据支持。

研究的讨论部分强调，这些发现为加纳的教育和医疗系统提供了重要的实践启示。心理因素作为最强预测因子，提示加纳学校的心理健康筛查项目应优先评估抑郁和焦虑。父母支持的保护作用凸显了在城市化导致传统家庭结构变迁的加纳背景下，强化家庭支持系统的重要性。显著的性别差异要求制定性别敏感的干预策略，考虑加纳文化中性别角色和期望对心理健康结果的影响。

从实践应用角度，该研究开发的预测模型为加纳学校提供了成本效益高的筛查工具可行性。在心理健康专业人员稀缺的情况下，这一工具可以作为早期识别高危青少年的第一道防线。同时，干预措施需要采用多层次方法，既解决个体心理因素，也加强家庭支持系统，并培养学校为基础的心理健康保健机制。

研究也指出了若干局限性，包括横断面设计限制因果推断、自我报告数据可能存在的偏差、以及模型在真实世界环境中所需的进一步验证。尽管如此，这项研究通过识别关键风险因素并证明预测模型在早期检测方面的潜力，为资源有限环境中可扩展、成本效益高的心理健康干预措施奠定了基础。最终，这项工作旨在减少加纳青少年因自杀而造成的悲剧性生命损失，在最需要支持的社区中培养希望和韧性。