基于集成机器学习技术的伊朗自杀未遂者生存因素预测研究

本研究针对伊朗自杀率上升但传统统计模型预测精度不足的问题，采用LogitBoost等9种集成机器学习算法，分析2017-2024年纵向医院数据（n=2263），发现入院时间、药物类型等关键生存因素，模型准确率达94.3%，为急诊分诊和个性化干预提供AI支持。

　　

研究背景与意义

自杀已成为全球公共卫生的重要挑战，每年导致超70万人死亡，其中77%发生在中低收入国家。伊朗作为穆斯林国家，虽传统自杀率较低，但近年呈现显著上升趋势，20-29岁群体尤为高危。现有研究多采用线性回归等传统统计方法，难以捕捉自杀生存因素间复杂的非线性关系，且伊朗缺乏基于纵向数据的机器学习研究。这导致急诊医疗资源分配和个性化干预缺乏精准依据。

研究方法与技术

研究团队从伊朗Babol医科大学附属医院获取2017-2024年2263例自杀未遂者数据，包含21项临床和社会经济特征。采用Min-Max标准化预处理数据后，通过10折交叉验证对比AdaBoostM1、J48修剪树、LogitBoost等9种集成算法性能，重点评估准确率、F值、ROC曲线等指标。所有分析基于Weka 3.9.6平台，采用Python Scikit-learn库进行特征工程。

主要研究结果

1. 1.

   算法性能比较

   LogitBoost以94.3%准确率和0.92 AUC值成为最优模型，其精确度（0.94）、召回率（0.943）均衡。J48算法以93.6%准确率次之，而多层感知机表现最差（92.1%）。

1. 1.

   关键生存因素

   特征重要性分析显示：

   • •

     入院时间（Hours）最具预测力，与伊朗医院日间资深医师值班制度相关

   • •

     药物类型（Types of Medicine）次之，不同毒理机制影响救治效果

   • •

     年龄（Age）、格拉斯哥昏迷评分（GCS）和急诊停留时长（Time Stay at ED）构成前五关键因素

2. 2.

   临床解释性

   LogitBoost虽性能优越，但需配合SHAP等可解释性工具辅助临床决策。J48修剪树因规则明确（92.3%准确率）更易被急诊医师采纳。

结论与展望

该研究首次将集成机器学习应用于伊朗自杀生存预测，证实LogitBoost能有效整合临床与社会经济变量（如保险状态、婚姻状况），其94.3%的准确率显著优于传统统计模型。入院时间作为首要预测因子，提示需优化急诊排班制度；而特定药物（如农药、三环类抗抑郁药）的识别有助于提前准备解毒方案。研究局限性包括地域样本局限性和缺失心理病史数据，未来可通过多中心验证和实时监测系统优化模型。《BMC Psychiatry》发表的这项成果为中东地区自杀预防提供了首个AI驱动的决策框架，其方法论对处理不平衡医疗数据具有普适价值。