基于常规急诊变量的机器学习模型识别既往自杀企图史的效能评估

《BMC Psychiatry》：Development of machine learning algorithms for identifying repeat suicide attempters among emergency department patients

　　

摘要

背景

自杀是一个重大的公共卫生问题，尤其是在韩国，急诊科提供了一个识别高风险患者的重要机会。既往自杀企图的历史是随后自杀行为的最强预测因素之一，但在患者就诊时这一信息并不总是显而易见的。本研究旨在利用常规可获得的人口统计和临床变量，开发机器学习模型，以识别在自杀企图后前往急诊科的成年人中那些有既往自杀企图史的患者。

方法

我们回顾性分析了2021年1月至2023年6月期间因自杀企图而前往汉阳大学医院急诊科的1,368名18岁及以上的成年人。使用了11个人口统计和与自杀相关的变量来开发八种模型：逻辑回归（LR）、线性支持向量机（Linear-SVM）、决策树（DT）、随机森林（RF）、梯度提升机（GBM）、神经网络（NN）、极端梯度提升（XGBoost）和朴素贝叶斯（NB）。模型性能通过重复的分层10折交叉验证进行评估。鉴别能力、校准能力和分类性能通过接收者操作特征曲线下面积（AUC）、布里尔分数（Brier score）以及带有95%置信区间的其他性能指标来进行评估。

结果

在1,368名患者中，有589人（43.1%）至少有一次既往自杀企图的历史。精神病史和年龄在各种模型中始终是最有影响力的预测因素。大多数模型的鉴别能力大致相似，AUC范围在0.71到0.73之间，95%置信区间有较大的重叠。决策树的鉴别能力较低，AUC为0.66。大多数模型的校准能力可接受（布里尔分数约为0.21），但决策树的校准能力较差（0.27）。

结论

基于常规急诊科可获取变量的模型在识别有既往自杀企图史的患者方面表现出中等能力。精神病史和年龄对预测的贡献最为稳定。在这个变量有限的数据集中，更复杂的算法并没有显示出比简单模型更明显的性能优势。由于本研究是单中心设计且缺乏外部验证，这些发现应被视为探索性的。