综述：人工智能在自杀研究生态瞬时评估数据中的应用：系统评价

这篇综述系统评价了人工智能（AI）应用于生态瞬时评估（EMA）数据在自杀研究中的进展，重点探讨了机器学习（ML）模型对短期自杀意念（SI）的预测效能（AUC 0.74-0.86），并揭示了数据收集和报告标准不统一的现状，最后提出了标准化报告框架CREMAS的改进方案。

　　

背景

生态瞬时评估（EMA）通过实时捕捉个体动态心理过程，为研究自杀意念和行为提供了独特视角。近年来，人工智能（AI）技术尤其是机器学习（ML）被越来越多地应用于EMA数据，以探索自杀相关变量的复杂模式。

目标

本综述旨在：（1）整合现有将AI应用于EMA数据研究自杀意念和行为的实证研究；（2）梳理研究方法、数据收集流程、自杀结局指标及AI技术类型；（3）开发适用于未来研究的标准化报告框架。

方法

通过系统检索PsycINFO、PubMed等数据库，最终纳入12项研究（共4398名受试者）。采用PRISMA指南筛选文献，并通过CREMAS（基于STROBE的EMA研究报告清单）进行质量评价。

结果

AI模型预测自杀意念的表现：曲线下面积（AUC）0.74-0.86，灵敏度0.64-0.81，特异度0.73-0.86。研究对CREMAS 16项报告标准的平均符合率为7项，其中EMA培训流程和缺失数据处理报告最差。

创新发现

• 动态波动的重要性：自杀思维的快速变化（如住院期间每小时波动）比静态平均值更具预测力（AUC提升至0.89）。
• 数据类型的比较：自报告EMA数据（AUC 0.84）显著优于传感器数据（AUC 0.56），但穿戴设备技术误差可能影响结果。
• 特殊人群特征：边缘型人格障碍（BPD）患者中，高变异亚组在社交退缩、睡眠等维度表现更不稳定。

技术应用亮点

• 算法性能：分类回归树（CART）和弹性网络模型（ENR）表现最佳，而循环神经网络（RNN）在捕捉时间序列特征时RMSE达3.61-5.32。
• 预测创新：结合电子健康档案（EHR）时，EMA数据将自杀意念诊断召回率从48.13%提升至67.78%。

临床启示

• 即时干预窗口：EMA识别的"高变异期"可作为适时自适应干预（JITAI）的关键决策点。
• 标准化瓶颈：现有研究在EMA训练（仅25%报告）和跨中心验证方面存在明显不足。

未来方向

建议采用改进的CREMAS框架（新增AI方法学和心理健康专项报告项），推动多中心前瞻性研究，并探索可解释AI（如SHAP值）在临床决策支持系统中的应用。数字表型技术与动态风险评估的结合，有望突破传统静态预测模型的局限。