个性化机器学习决策支持系统在精神科急诊室自杀意念及行为风险评估中的应用

这篇研究开创性地将XGBoost算法与可解释人工智能（XAI）结合，利用26198名患者（51397次就诊）的电子健康记录（EHR），开发出预测短期（1/6/12个月）自杀意念（SI）和自杀行为（SA）风险的模型（AUC 0·70-0·80）。模型通过局部XAI方法实现个性化风险解读，最高风险组覆盖70%的STB事件，为急诊临床决策提供了精准、透明的AI辅助工具。

　　

亮点

背景

精神病急诊室（PED）就诊患者短期内再次因自杀意念（SI）或自杀行为（SA）返诊的风险极高。现有风险评估工具效能有限，亟需开发兼具高精度与可解释性的个性化预测方法。本研究旨在：1）利用XGBoost算法预测1/6/12个月内SI/SA风险；2）通过可解释人工智能（XAI）技术提升模型透明度。

方法

这项预后研究基于比利时鲁汶大学医院PED 2002-2022年的结构化电子健康记录（EHR），对26198名患者（51397次就诊）数据开发机器学习模型。采用半结构化临床访谈记录（最小精神病学数据集标准）作为特征输入。

结果

模型表现出优异区分度（AUC 0·70-0·80）和校准性（ICI 0·001-0·004）。最高风险五分位组覆盖24·73–26·19%的就诊量，却占所有STB事件的50·43–70%。XAI方法成功实现患者级别的特征贡献可视化，例如发现物质滥用（25·09%就诊）与失业（43·37%）是关键预测因子。

结论

结合局部XAI的PED机器学习模型，能有效识别高风险个体并指导针对性干预。例如模型显示：抑郁症状（15·37%）和物质滥用（14·94%）患者在SA前3个月常有急诊记录，这为"急诊-社区"衔接护理提供了精准时间窗。

讨论

研究突破性地解决了临床三大痛点：1）突破传统量表预测效能瓶颈（Franklin等2017）；2）破解ML"黑箱"难题，通过SHAP值等XAI技术展示特征交互作用；3）验证AI辅助可使临床识别准确率超越随机水平（Nock等2022）。未来可整合实时EHR数据流构建动态预警系统。

结论

本研究证实：增强型机器学习模型能通过"风险分层+特征溯源"双模块，为急诊医护人员提供兼具科学性与操作性的决策支持。例如模型识别出30-45岁男性（36·87%）、独居者等高风险画像，为有限医疗资源的精准投放提供了数据基石。