基于功能自适应交互正则化回归的亚群感知型自杀风险预测

《npj Mental Health Research》：Subgroup-aware suicide risk prediction via functionally adaptive interaction regularized regression

　　

摘要

自杀是一个重大的公共卫生问题，而机器学习为识别高风险个体提供了有效的工具。然而，传统模型往往无法在不同人群亚组中实现最佳性能，从而导致检测结果的不稳定性。本研究利用2013年至2023年美国国家药物使用与健康调查（NSDUH）的数据，提出了功能自适应交互作用正则化惩罚逻辑回归（FAIR-PLR）模型：该模型是在线性FAIR框架的基础上发展而来的逻辑回归模型，它将群体与协变量的交互项与按亚组大小加权的弹性网络正则化方法相结合。通过与标准逻辑回归、统一权重下的混合弹性网络、决策树，以及针对年龄、性别、种族、BMI、保险状况、居住地等单一线性亚组以及心理困扰和治疗状况的横断面分层分析的模型进行对比，FAIR-PLR在整体性能上可与这些模型相媲美甚至更优，同时降低了最高风险阈值下各亚组在AUC、真阳性率和精确度方面的差异。FAIR-PLR为全国范围内的自杀风险分层提供了一种兼顾各亚组特征的实用工具。