基于机器学习与GIS技术的前瞻性大学生自杀意念研究：风险因素识别与空间分布分析

本研究针对南亚地区大学生自杀风险高发的严峻现状，创新性地结合机器学习算法（CatBoost/KNN）与地理信息系统（GIS）技术，对1,485名孟加拉国大学入学考试学生开展横断面研究。研究人员通过PHQ-9/GAD-7量表评估抑郁焦虑症状，采用逻辑回归识别关键风险因素（如女性、农村户籍、复读生身份等），并利用空间分析发现锡尔赫特地区自杀意念聚集现象。研究首次建立自杀意念预测模型（AUC 0.819），为发展中国家学生心理健康干预提供数据支持。

　　

在全球化心理健康危机背景下，南亚地区青少年自杀率持续攀升，世界卫生组织数据显示自杀已成为15-29岁人群第四大死因。尤其令人担忧的是，孟加拉国每年报告超万起自杀案例，其中大学生群体在高压的升学竞争中表现出异常脆弱性。既往研究表明，该国大学入学考试学生中17.7%曾出现自杀意念，疫情期间该比例更攀升至33.5%，但后疫情时代的演变趋势仍属未知。传统研究方法难以捕捉自杀行为的复杂成因，特别是地理分布与多因素交互作用等关键维度。

针对这一重大公共卫生挑战，贾汉吉尔纳加尔大学（Jahangirnagar University）的Mohammed A. Mamun团队开展了一项开创性研究。研究人员采用Stress-Diathesis理论框架，整合机器学习与空间分析技术，对1,485名应试学生进行多维度评估。研究不仅验证了已知风险因素，更通过GIS技术首次揭示自杀意念在锡尔赫特地区的地理聚集特征，相关成果发表于《BMC Psychiatry》。

研究团队运用三大关键技术：1) 采用PHQ-9（患者健康问卷-9项）和GAD-7（广泛性焦虑障碍-7项）量表进行标准化心理评估；2) 应用CatBoost、KNN等5种机器学习算法构建预测模型；3) 通过ArcGIS 10.8实现自杀意念空间可视化分析。样本来自2024年2月参加贾汉吉尔纳加尔大学入学考试的住校学生，采用便利抽样确保数据代表性。

【主要结果】

1. 人口学特征分析

   数据显示20.5%参与者存在自杀意念，女性风险较男性高1.675倍（p<0.001），农村学生风险降低31.2%（p=0.003）。GIS地图显示锡尔赫特专区及吉大港山区呈现显著空间聚集（X²=88.842）。

1. 教育相关风险因素

   复读生自杀意念风险增加75.1%（OR=1.751），农业专业报考者风险达普通专业5.3倍。月备考支出超1万孟加拉塔卡（BDT）的学生风险激增463.7%（OR=5.637）。

2. 心理健康与行为特征

   抑郁（PHQ-9≥10）与焦虑（GAD-7≥10）分别使风险增加436.9%和288%。药物滥用者的自杀意念风险达非使用者的4.055倍。

3. 机器学习模型表现

   CatBoost模型表现最优（AUC=0.819，95%CI 0.779-0.860），SHAP分析显示抑郁状态是最强预测因子：

【结论与意义】

该研究首次在南亚地区实现自杀风险的多模态预测，突破性地将GIS空间分析与机器学习相结合。研究发现：1) 后疫情时代自杀意念率（20.5%）显著高于疫情前水平；2) 复读生、农村女生及农业专业考生构成高风险亚群；3) CatBoost模型较传统统计方法显著提升预测精度。

这项研究为发展中国家学生心理健康干预提供了三大实践启示：首先，应针对地理热点区域（如锡尔赫特）建立专项预防计划；其次，需开发基于PHQ-9/GAD-7的校园筛查系统；最后，研究证实机器学习可有效识别传统方法难以发现的非线性风险模式，为智能心理预警系统开发奠定基础。团队建议将研究成果转化为"压力-素质"理论指导下的三级预防体系，特别是在高风险考试季实施针对性干预。