《BMC Public Health》：Reduction in suicides and suicide attempts following implementation of AI-based video surveillance in the Stockholm metro system: an intervention study
编辑推荐：
全球每年超过70万例自杀死亡构成重大公共卫生问题。铁路及地铁系统提供了一种高致死性的自杀手段，主要表现为人员进入列车运行区域（persons under train, PUT）事件。手段限制（means restriction）已被证实可有效减少自杀，且在铁路
全球每年超过70万例自杀死亡构成重大公共卫生问题。铁路及地铁系统提供了一种高致死性的自杀手段，主要表现为人员进入列车运行区域（persons under train, PUT）事件。手段限制（means restriction）已被证实可有效减少自杀，且在铁路场景中日益受到重视，例如使用物理屏障。本研究转而探讨在地铁平台实施基于人工智能的闭路电视（AI-based closed-circuit television, AI-CCTV）检测系统后自杀行为的变化。研究人员利用2010年至2025年斯德哥尔摩瑞典地铁系统中因自杀倾向导致的PUT纵向数据，采用控制性中断时间序列（controlled interrupted time series, CITS）分析以及非控制性分析，检验2021年第四季度在14个站点实施的AI-CCTV是否与PUT率下降相关，以其余86个站点作为对照。研究同时评估了次要结局（如自杀死亡和列车运行取消情况）。敏感性分析评估了主要模型的稳健性。一项单独的探索性分析考察了包含多种异质性系统范围暴露的延长后干预期。结果显示，AI-CCTV实施后，无论在有对照（发生率比值incidence ratio, IRR = 0.27，p < 0.05）或无对照（IRR = 0.41，p < 0.05）分析中，因自杀倾向导致的PUT率均降低。次要结局呈现一致的点估计，如PUT后自杀死亡（IRR = 0.3）、受保护人员（IRR = 0.8）以及地铁系统取消列车公里数减少。采用弱先验的贝叶斯敏感性分析确认了PUT和自杀死亡结局变化的稳健性。本研究所描述的AI-CCTV实施与地铁站点因自杀倾向导致的PUT率降低相关，同时自杀死亡和取消列车公里数等指标也呈现同向变化。这项关于地铁系统中AI-CCTV的初步研究提供了一个具体实例，表明此类干预措施可能支持地铁系统中的自杀预防，至少短期内如此。
本研究发表于《BMC Public Health》，旨在评估人工智能闭路电视（AI-CCTV）系统对斯德哥尔摩地铁自杀预防的潜在效果，填补了该领域实证证据的空白。
研究背景方面，全球每年超过70万人死于自杀，自杀未遂人数约为自杀死亡数的4至14倍，自杀已成为50岁以下人群的主要死因之一。铁路和地铁系统提供了高致死性的公共自杀手段，其中以人员进入列车运行区域（PUT）最为常见。尽管平台屏蔽门（platform screen doors）是预防车站区域自杀证据最充分的单一措施，但其安装复杂且成本高昂，全球绝大多数铁路和地铁站台尚未配备。闭路电视（CCTV）用于铁路环境自杀预防的设想最早可追溯至1994年，而利用人工智能扫描CCTV视频流以识别自杀行为的研究近年来日益受到重视。2024年，国际铁路联盟（UIC）联合欧洲五大基础设施管理机构启动了AI4SAFEBEHAVE项目，反映了该领域日益增长的关注度。然而，尽管AI-CCTV在实践中逐步推广，尚无实证研究检验其是否真正减少现实铁路或地铁系统中的自杀及自杀未遂事件。
研究人员开展了准实验性前后时间序列设计研究，利用2010年至2025年斯德哥尔摩瑞典地铁系统的纵向数据，评估2021年第四季度在14个站点实施的AI-CCTV系统对因自杀倾向导致的PUT事件的影响，并以其余86个站点作为对照组。该研究设计有助于控制系统范围内的时间变化混杂因素。
研究采用的主要技术方法包括：控制性中断时间序列（CITS）分析，包含对干预站点的中断时间序列（ITS）分段回归分析，并以未处理对照组同期的水平变化进行调整；非控制性ITS分析；以及简化前后比较和差异中的差异（difference-in-differences, DID）模型作为敏感性分析。研究使用泊松回归模型处理计数结局，采用稳健标准误和单侧方向性假设。为缓解稀疏数据问题，研究补充了基于弱信息先验的贝叶斯推断分析。局部加权散点平滑（locally weighted scatter plot smoothing, LOESS）用于可视化总体趋势。E值计算用于评估未测量混杂的稳健性。
研究结果部分呈现如下：
因自杀倾向导致的PUT减少。AI-CCTV实施前，干预组平均每季度因自杀倾向导致的PUT为1.17例（总计55例），对照组为2.30例（总计108例）。实施后，干预组降至0.50例（总计2例），对照组升至3.00例（总计12例）。主要CITS分析显示，AI-CCTV实施与较低的因自杀倾向导致的PUT率相关（IRR = 0.32，90% CI 0.012至0.80；单侧p = 0.021）。非控制性ITS模型同样显示显著降低（IRR 0.41，90% CI 0.17至0.96；单侧p = 0.043）。对照组单独分析显示非显著性增加（IRR = 1.54；90% CI 0.87–2.74；p = 0.11）。排除因CCTV技术局限（图像分辨率不足）未能检测的1例事件后，短期水平变化更为显著（CITS IRR = 0.16）。未观察到向附近对照站点的显著位移效应。
次要结局。自杀死亡作为关键次要结局，实施前干预组和对照组均有发生；实施后AI-CCTV站点无自杀死亡（n = 0/2），对照组有6例（n = 6/12），点估计IRR = 0.3（p < 0.25）。因自杀倾向受保护人员数的点估计IRR = 0.8。非自杀原因导致的PUT点估计IRR = 0.2–0.5。地铁系统因侵入和PUT取消的列车公里数显著减少。至2025年第二季度，SL记录了36起AI-CCTV触发警报后人员被保护并引致运营响应（列车减速、停车或断电）的事件。
贝叶斯敏感性分析。为缓解稀疏数据问题，研究采用弱先验进行贝叶斯估计。使用对照组的模型（CITS和DID）IRR范围为0.27–0.43，后验概率为中度至高度；不使用对照组的模型（ITS和前后比较）IRR范围为0.32–0.49，后验概率为中度至高。关键次要结局自杀死亡的贝叶斯估计显示，控制和未控制估计的IRR均约为0.2，后验概率为中度至高。
探索性延长后干预期分析。由于该期间包含多种异质性系统范围暴露（如媒体广泛报道），结果单独解释，不用于评估AI-CCTV的特定贡献。延长期间CITS水平变化估计不再具有统计学显著性，且自2022年第四季度起整个地铁系统呈现下降趋势，提示该期间变化可能反映更广泛的系统层面影响。
讨论部分，研究人员指出本研究提供了AI-CCTV在斯德哥尔摩地铁中具有预防自杀及自杀未遂效果的初步发现，但短暂的后干预期、较低的事件计数以及对照组非显著性增加需谨慎解读。CITS设计的优势在于能够控制系统范围的时间变化混杂因素，尤其是COVID-19大流行等外部影响。对照组后期间的增加可能人为扩大了干预的相对效应估计，因此CITS估计需结合干预站点的绝对减少和非控制性ITS估计综合解释。未检测到向邻近对照站点的局部位移效应，且干预未向公众宣布，降低了位移解释的可能性。贝叶斯分析排除了严重稀疏数据偏倚的可能性。
研究指出AI-CCTV可视为一种动态手段限制措施，不同于静态物理屏障，其在检测到高风险时激活保护性响应，处于Haddon矩阵描述的碰撞前晚期或碰撞早期阶段。同时，检测功能使后续人工干预成为可能，增加了高危个体被转介至医疗机构接受适当治疗的可能性。技术局限性方面，部分PUT事件仍发生，主要与列车到达前的极晚平台跳轨或摄像头覆盖不足、分辨率不够有关，提示技术升级可进一步提升系统效果。
研究局限性包括：后干预期仅四个季度，降低了估计精度；对照组非显著性增加可能夸大干预效益；季度聚合牺牲了时间分辨率；事件计数稀疏等。未来研究应关注更长期随访、系统范围实施效果、更高列车速度系统中的表现，以及LiDAR等其他传感器类型的应用潜力。伦理问题和公众可接受性也需进一步关注。
研究结论部分翻译如下：本研究报告的AI-CCTV实施表明，其对瑞典地铁站因自杀倾向导致的PUT，即自杀未遂和自杀死亡，具有预防效果。据研究人员所知，本研究代表了首个针对铁路交通系统中基于人工智能自杀预防干预措施的实证评估。更广泛而言，本研究为基于人工智能监控的自杀预防这一新兴领域做出了贡献，该领域目前实证证据仍然有限。从公共卫生角度来看，当及时的运营响应或高风险情境中的手段限制成为可能时，人工智能支持下的实时检测可能有助于铁路乃至其他环境中的人群层面风险降低。鉴于其相对于完整物理屏障的可扩展性和更广泛实施潜力，AI-CCTV有望成为全球轨道交通自杀预防的更广泛干预措施。
