地理识别青少年自杀风险模型：哈里斯县社区层面自杀行为评估新探索

为解决社区自杀预防资源开发及现有预防工作改进问题，研究人员开展 “地理识别高自杀风险模型（GIESR）” 研究。结果显示，模型在特定条件下数据分布更合理，但预测自杀死亡效度低。该研究为社区自杀预防提供新视角与工具。

　　在过去的二十多年里，美国的自杀率急剧攀升，自杀已成为青少年群体的第二大死因 ，且各个种族和人口亚组的自杀率都在持续上升。2021 年的全国青少年风险行为调查数据显示，美国有 22.2% 的高中生在过去 12 个月里认真考虑过自杀，10.2% 的人报告曾尝试自杀。自杀受心理、生物和社会等多种因素交互影响，情况十分复杂。疾病控制与预防中心（CDC）提出自杀预防应遵循社会生态模型，涵盖个体、关系、社区和社会层面的因素 。但目前大部分自杀预防研究都集中在个体和关系层面，社区层面的研究较少。同时，现有数据来源在社区层面的分析存在局限性，无法满足研究和预防工作的需求。在这样的背景下，为了进一步完善自杀预防研究，美国路易斯安那州立大学等机构的研究人员开展了关于地理识别高自杀风险（Geographic Identification of Suicide Risk，GIESR）模型的研究，相关成果发表在《BMC Public Health》杂志上。

研究人员采用了多种关键技术方法来开展这项研究。首先，从德克萨斯州一个大型儿科急诊科系统的电子健康记录（EHR）中收集自杀意念（SI）和自杀未遂（SA）数据 ，这些数据来自 2018 年 1 月至 2022 年 12 月期间就诊的 11 岁及以上青少年。其次，通过美国人口普查局的 Census Geocoder 数据库，将 EHR 中的地址数据匹配到普查区，从而获取普查区特征数据。最后，运用统计学分析方法，如多元逻辑回归、分类树分析等，对数据进行处理和分析，以评估模型的各项性能。

下面来看看具体的研究结果：

• 不同最小样本量下阳性筛查率及数据分布：研究人员对不同最小样本量（每个普查区的最少筛查次数）的普查区进行分析。结果发现，当最小样本量至少为n=5时，自杀意念和自杀未遂的阳性筛查率相对呈正态分布，在n=10时效果更好。随着最小样本量从 1 增加到 10 及以上，数据的标准差、范围、偏度和峰度都显著降低，数据分布更趋于合理，但即使在最小样本量为 40 时，部分数据仍存在一定程度的非正态分布。
• EHR 数据与普查区匹配情况：在 48928 条有完整筛查和患者地址数据的记录中，91.5% 的地址通过 Census Geocoder 数据库成功匹配到普查区。研究人员进一步检查了 100 条未匹配地址，发现 33% 存在街道名称、城市或邮政编码错误，14% 是邮政信箱无法匹配，12% 信息可能不完整，还有 41% 原因不明，可能与 Census Geocoder 本身的问题有关。
• 模型的效标效度：通过同时进行多元逻辑回归分析，研究发现自杀未遂和自杀意念仅能预测自杀死亡概率方差的 0.02%，模型与数据的拟合度不佳，表明自杀未遂和自杀意念并不能有效预测自杀死亡。
• 区分自杀风险水平所需的数据量：利用分类树分析得出，至少需要 16 个数据点才能区分高风险（SI>33.8%；SA>24.1%）和低风险（SI<33.8%；SA<24.1%）的普查区。预测自杀意念时，阳性自杀未遂筛查率和总筛查次数是重要预测因素；预测自杀未遂时，阳性自杀意念筛查率最为重要，但两个模型对高风险普查区的预测准确率都较低，对低风险普查区的预测准确率较高。

研究结论表明，经过改进的 GIESR 模型可作为评估社区层面自杀风险和保护因素的有用工具。研究发现，社区层面的自杀风险管理可能需要从预防角度出发，而不是单纯进行风险预测。应优先关注社区凝聚力、提供充足的心理健康支持服务，并减少社区层面的风险因素，如物质滥用等。此外，研究还发现与语言相关的因素对自杀风险有重要影响，这为后续研究社区层面的文化因素与自杀风险的关系提供了新方向。不过，该研究也存在一定局限性，如样本可能不具有代表性，自杀死亡数据时间跨度较大等。未来研究可以在不同地区、使用不同筛查工具进一步评估和改进 GIESR 模型，以更好地服务于自杀预防工作，为降低青少年自杀率提供有力支持。