人工智能揭示青年抑郁症患者非自杀性自伤对自杀风险的中介作用机制

为解决青年抑郁症（MDD）患者自杀风险预测的临床难题，南京医科大学团队结合机器学习技术开展了非自杀性自伤（NSSI）与自杀风险的关联研究。通过梯度提升回归模型（GBR）分析179名15-24岁MDD患者数据，发现NSSI部分中介自杀风险（R2=0.717），为AI驱动的早期干预提供了新路径，发表于《BMC Psychology》。

　　

青年自杀已成为全球公共卫生危机，尤其在COVID-19大流行期间，自杀率呈现陡升趋势。根据动机-意志自杀模型，持续负面情绪可能引发从自杀意念到行为的恶性进展。然而，非自杀性自伤（NSSI）——一种无自杀意图却反复自毁组织的行为——在抑郁症（MDD）患者自杀风险中的作用长期存在争议。流行病学数据显示，全球青少年NSSI发生率高达13.4-49.5%，中国学生终生患病率达24.7%，相当于每四人中就有一人经历NSSI。更严峻的是，NSSI可能演变为自杀行为的“跳板”，但其作为中介因子的机制尚未明确。传统统计方法因依赖线性假设，难以捕捉NSSI、抑郁与自杀风险间的复杂非线性关联，导致临床预测准确性受限。

为破解这一难题，南京医科大学附属常州第二人民医院的研究团队开展了一项创新研究。他们纳入179名15-24岁首发MDD患者，基于《精神障碍诊断与统计手册第五版》（DSM-5）确诊标准，利用机器学习算法探索NSSI在自杀风险中的中介角色。研究发现：高中生群体NSSI发生率最高（63.3%），且吸烟（p<0.0002）与饮酒（p<0.001）患者更易出现NSSI；更重要的是，NSSI部分中介了抑郁严重度与自杀风险的关系。这一成果发表于《BMC Psychology》，为AI赋能的精准预防提供了理论基石。

研究采用多阶段技术方法：首先，招募常州第二人民医院心理门诊2022-2023年就诊的青少年MDD患者队列（n=179），排除其他精神疾病及神经病史个体；其次，通过汉密尔顿抑郁量表-24（HAMD-24）、贝克自杀意念量表（BSI-CV）及故意自伤量表（DSHS）评估抑郁程度、自杀风险及NSSI频率；最后，采用梯度提升回归器（GBR）等五种机器学习模型分析数据，通过R²、平均绝对误差（MAE）等指标验证模型性能，并运用PROCESS宏程序进行中介效应检验。

Baseline characteristics of participants

研究纳入179例15-24岁MDD患者，其中62例（34.6%）存在NSSI行为。高中生NSSI发生率显著高于大学生（63.3% vs 18.6%），且吸烟（35.5% vs 12.0%）与饮酒（41.9% vs 12.0%）患者NSSI比例更高（p<0.001），凸显物质滥用与自伤的强关联。

Related factors influencing suicide risk

自杀风险评分与HAMD-24（r=0.639）及自评抑郁量表（SDS）（r=0.671）呈强正相关，而NSSI评分与两者相关性更高（r=0.849），证实抑郁严重度驱动NSSI及自杀风险的协同上升。

Comparison of prediction models

在五种机器学习模型中，梯度提升回归器（GBR）预测性能最优：测试集R²=0.717，平均绝对误差（MAE）=4.423，显著优于随机森林（R²=0.495）等模型（图2）。残差分布均匀（图3），表明GBR精准捕捉变量非线性关系。

Mediating role of NSSI in the suicide risk of people with MDD

中介分析显示：HAMD-24对自杀风险的直接效应为β=0.639，但通过NSSI的间接效应达β=0.256（95%CI[0.182,0.334]），表明NSSI承担26.3%的中介贡献，部分解释抑郁向自杀行为的转化路径。

该研究首次整合机器学习与临床心理学，揭示NSSI在青年MDD患者自杀风险中的部分中介机制。区别于传统线性模型，GBR算法通过迭代决策树量化了抑郁→NSSI→自杀风险的“情绪调节-强化”通路：抑郁患者通过NSSI暂时缓解情绪痛苦（如空虚感或创伤回忆），但反复自