基于机器学习预测年轻成年人自伤性前颈部损伤患者伤情复发的探索性研究

《Scientific Reports》：Machine learning in predicting recurrence of self-inflicted neck trauma in young adults

　　# 摘要自伤行为，尤其是年轻成年人中的自伤，与随后自杀企图和自杀风险增加相关。前颈部创伤因其涉及重要解剖结构且可能产生复杂后果，在管理上面临独特挑战。因此，本研究采用机器学习（ML）技术预测自伤性前颈部损伤患者的伤情复发情况。队列包括2005年至2023年间在赫尔辛基大学医院就诊的18至30岁自伤性前颈部损伤患者共167人。系统分析了患者的病历资料，包括人口学特征、临床特征、精神科共病及临床管理情况，以构建机器学习模型。三种不同模型——逻辑回归、Easy Ensemble和基于极端梯度提升的模型——均对类别不平衡和特征选择问题进行了处理。此外，利用SHapley加性解释（SHAP）方法增强了预测的全局和局部可解释性。研究结果显示，伤情复发的最重要预测变量为其他创伤史、就诊时患者年龄以及到院方式（自行前来或被送入）。三种伤情复发模型的表现均较差，最高平衡准确率为60.0%，Brier评分为0.23，精确率-召回率曲线下面积为0.30，受试者工作特征曲线下面积为0.66，召回率为0.75，F1评分为0.32，准确率为55%。本研究模型表现不佳，仍需进一步训练和验证，目前临床实用性有限。然而，鉴于年轻成年人自伤率不断上升，识别存在伤情复发风险的患者可能改善临床管理和干预措施。未来需要更大规模、更多样化的数据集及外部验证研究，以提升这些机器学习模型的预测能力，最终有助于开发有效的预测工具。