基于机器学习模型的成人注意力缺陷多动障碍症状与抑郁指标对自杀风险的预测研究——来自韩国全国性调查的启示

（编辑推荐）本研究创新性地将机器学习（ML）算法与传统逻辑回归对比，发现随机森林（RF）模型在识别成人ADHD（注意力缺陷多动障碍）患者的自杀意念（recall≈0.76）中显著优于传统方法，证实注意力不集中症状（OR～3.2, p<0.001）与抑郁指标（PHQ-2）是核心预测因子，为自杀预防提供了AI驱动的筛查新策略。

　　

Highlight

基于机器学习模型的成人ADHD症状与抑郁指标对自杀风险的预测研究

样本特征与自杀意念发生率

在5,511名韩国全国性调查参与者中，10.7%报告终生自杀意念，女性（12.0%）显著高于男性（9.4%）（p=0.0048）。自杀计划（2.5%）与自杀尝试（1.7%）发生率较低，故后续分析以"自杀风险=意念"定义。各年龄组差异显著（p=0.0157），60-69岁人群风险最高（12.6%）。

讨论

本研究首次将成人ADHD筛查数据（ASRS-6量表）与机器学习（ML）结合用于自杀预测。关键发现：

1. 1.

   ADHD症状独立相关：注意力不集中症状与自杀意念关联最强（OR～3.2），远超冲动症状；

2. 2.

   模型优势：SMOTE平衡后的随机森林（RF）模型召回率（≈0.76）碾压逻辑回归（0.08–0.48），且保持类别间公平性；

3. 3.

   临床启示：ADHD患者的情绪调节障碍可能通过"注意力涣散→负性思维反刍"通路加剧自杀风险。

结论

成人ADHD（尤其注意力不集中型）和抑郁症状（PHQ-2）是自杀意念的"双引擎"预测因子。机器学习模型（如RF）相较传统方法展现出"雷达式"高危人群捕捉能力，建议将ADHD筛查纳入自杀预防体系，为公共卫生干预提供精准导航。