连续时间动态预测自杀风险：新型模型带来的突破

研究人员开发 Event-GRU-ODE 和 Event-GRU-Discretized 模型预测自杀相关行为（SRB）风险，性能良好，助力自杀预防。

　　

自杀风险预测的新突破：从静态到动态

在全球范围内，自杀问题日益严峻，每年有超过 70 万人死于自杀。在美国，尽管各方积极呼吁并努力预防自杀，但自杀率仍持续攀升。有效预防自杀的关键之一，是精准识别出有自杀相关行为（SRB）高风险的个体，以便及时进行干预。

当前，无论是基于临床医生评估，还是结合数据驱动的方法，自杀风险评估大多是在特定时间点进行，将风险视为静态估计值。然而，SRB 风险实际上会随时间波动，这种静态评估方式存在诸多局限。例如，随着预测时间点与实际发生时间间隔的增加，静态风险估计的准确性会下降；而且在缺乏频繁医疗就诊的情况下，风险估计会出现空白期，可能错过高风险时段。因此，开发一种能够连续动态预测 SRB 风险的工具迫在眉睫。

来自美国麻省总医院（Massachusetts General Hospital）等机构的研究人员，为了解决这一难题，开展了一项具有创新性的研究。他们利用大规模电子健康记录（EHR）数据库中的数据，结合神经网络常微分方程（Neural ODEs）这一前沿人工智能技术，开发并验证了两种连续时间、动态风险预测模型 ——Event-GRU-ODE 和 Event-GRU-Discretized。该研究成果发表在《npj Digital Medicine》杂志上，为自杀预防策略的革新带来了新的希望。

研究方法：创新模型的构建基石

研究人员使用的主要技术方法包括以下几个关键部分：

1. 数据来源：数据源自美国麻省总医院医疗系统的研究电子健康记录数据注册库（RPDR），涵盖了 2016 年 1 月 1 日至 2019 年 12 月 31 日期间，超过 170 万患者的信息，这些患者具有广泛的人口统计学和临床特征。
2. 模型构建：基于神经网络常微分方程，研究人员构建了 Event-GRU-ODE 和 Event-GRU-Discretized 模型。其中，Event-GRU-ODE 模型将事件发生视为连续时间随机过程，通过潜在变量过程和常微分方程来描述 SRB 风险随时间的变化；Event-GRU-Discretized 模型则在 Event-GRU-ODE 模型的基础上，放宽了潜在向量连续性假设，使模型更加灵活。
3. 模型训练与评估：研究人员将数据随机分为 10 折，其中 8 折用于训练，1 折用于验证调整超参数，1 折用于测试评估。训练过程使用 Adam 优化器，评估指标包括受试者工作特征曲线下面积（AUROC）、精确召回曲线下面积（AUPRC）、阳性预测值（PPV）和敏感度等，特异性设定为 0.95。

研究结果：模型性能卓越，展现巨大潜力

1. 患者队列特征：参与研究的患者中，女性占比较高（约 58%），多数为白人（训练 / 验证集占 77.8%，测试集占 77.6%），年龄集中在 45 - 65 岁。大部分患者在研究期间的医疗就诊次数较少，少于 50 次。
2. 主模型性能指标：两种模型在不同预测窗口下均表现出良好的判别能力，AUROC 均大于 0.9。1 个月预测窗口时，Event-GRU-ODE 的 AUROC 为 0.942，Event-GRU-Discretized 为 0.941；1.5 年预测窗口时，两者的 AUPRC 和 PPV 达到最高。尽管数据中 SRB 患病率较低（0.01 - 0.12%），导致 AUPRC 和 PPV 数值相对较低，但高风险人群发生 SRB 的可能性是低风险人群的 15 倍左右。
3. 患者病史时长和上次观察时间对模型性能的影响：一般来说，较长的患者病史轨迹有助于提高模型性能，但 1 个月预测窗口的 AUPRC 曲线除外。同时，即使距离上次观察时间较长，模型在至少 1 年内仍能保持较高的判别性能（AUROC 约为 0.90）。
4. 临床环境和人口统计学因素的亚组分析：在 “Psych ED” 和 “Psych Inpatient” 队列中，AUPRC 和 PPV 显著高于 “General” 队列，这可能与这两个亚组中 SRB 事件的患病率较高有关。在不同人口统计学特征的亚组分析中，AUROC 在不同组间变化较小且表现良好（AUROC > 0.8），而 AUPRC 变化较大，在黑人、20 - 60 岁人群和男性中较高。
5. 训练数据大小对模型性能的影响：当训练数据为完整训练集的 3/8 时，模型性能仅有适度下降；当训练数据减少到 1/8 时，判别指标仍然稳健（AUROC > 0.88）。在训练数据较少的情况下，Event-GRU-ODE 的 AUPRC 比 Event-GRU-Discretized 更高。
6. 预测因子（特征）重要性：通过预测因子消融方法确定的前十大预测因子主要与精神病史、年龄、行为因素和既往治疗相关。但由于模型中预测因子众多（>6000），且特征重要性因性能指标而异，使得特征解释具有一定挑战性。

研究结论与讨论：开启自杀预防新篇章

这项研究成功开发并验证了连续时间、动态预测 SRB 风险的模型，为自杀风险评估带来了新的思路和方法。与传统静态评估方法相比，这两种模型能够更好地适应 SRB 风险的时变特性，有效减少风险评分可用性的差距。在不同临床环境和人口统计学特征的人群中，模型均展现出良好的性能，为自杀预防策略的制定提供了更可靠的依据。

然而，研究也存在一些局限性。例如，模型仅依赖结构化 EHR 数据和临床笔记中的自然语言处理（NLP）衍生概念，事件发生时间的准确性有待提高；使用 ICD 代码作为 SRB 的替代指标存在一定缺陷；模型解释在时间序列建模中仍是一个发展中的领域，当前模型的交错设计给解释带来了挑战；此外，模型的泛化性尚未深入探索。

尽管如此，该研究成果仍然意义重大。它证实了连续时间和动态预测 SRB 风险的可行性，为后续研究指明了方向。未来，研究人员可以通过更先进的 NLP 方法、整合更多实时数据来源等方式，进一步优化模型。同时，随着研究的不断深入，有望更好地理解自杀风险的复杂机制，开发出更精准、更有效的自杀预防策略，从而拯救更多生命。