《Scientific Reports》：Scalable prediction of suicidal risk in university students: a three steps machine learning approach in university settings
编辑推荐：
自杀是青年成人死亡的主要死因之一，大学生属于尤为脆弱的亚群。尽管预防工作常依赖心理病理症状评估，但此类评估资源消耗大，难以用于大规模筛查。本研究评估了易于收集的情境与心理社会变量能否独立预测大学生自杀风险。研究人员分析了470名大学生的数据，采用随机森林（ra
自杀是青年成人死亡的主要死因之一，大学生属于尤为脆弱的亚群。尽管预防工作常依赖心理病理症状评估，但此类评估资源消耗大，难以用于大规模筛查。本研究评估了易于收集的情境与心理社会变量能否独立预测大学生自杀风险。研究人员分析了470名大学生的数据，采用随机森林（random forest）机器学习算法。构建了三个模型：模型1纳入53个情境与心理社会变量（社会人口学、生活方式、社会支持、学业压力源与健康）；模型2仅依赖10个心理病理症状量表；模型3整合所有变量。三个模型的预测性能逐步提升（AUC分别为0.72、0.77和0.80）。关键预测因子既包括情境与心理社会变量（如低社会支持、大学归属感降低），也包括症状心理测量（焦虑、抑郁、应对策略）。结果表明，情境与心理社会变量为识别有自杀风险的大学生提供了有意义的信息，而心理测量症状量表可进一步优化风险检测。研究结果结合人际自杀理论（Interpersonal Theory of Suicide）与逃避理论（Escape Theory）进行讨论。该机器学习方法为高校情境下的自杀风险筛查提供了可扩展框架。
研究背景方面，自杀是15至29岁青少年与青年成人非自然死亡的第二大死因，大学生比例持续上升，比利时高校学生自杀趋势尤其令人担忧。自杀想法不仅是极端心理痛苦的表现，更是未来自杀行为的最强预测因子。现有研究多依赖抑郁、焦虑等心理病理症状量表，这类工具需专业人员施测，难以在高校大规模例行筛查中推广。与此同时，大学生还面临家庭财务、首代大学生身份、父母关系、睡眠紊乱、学业不确定性、感知社会脱节等情境与心理社会压力，这些因素可通过简短自评题收集，但是否在控制心理病理因素后仍能独立预测自杀风险尚不清楚。传统回归难以处理非线性与多变量交互，机器学习（machine learning, ML）尤其是随机森林（random forest）适合揭示变量独特贡献与潜在预测因子。为此，研究人员在比利时蒙斯大学（University of Mons）开展横断面研究，比较仅情境心理社会变量、仅心理测量量表、两者整合三类模型，以量化情境因素的独立预测力及量表增量价值。
主要关键技术方法方面，数据源于2021年1月17日至2月17日蒙斯大学新冠封锁期间向在读学生与教职工发送的在线问卷，最终纳入470名有完整自杀行为问卷修订版（Suicidal Behaviors Questionnaire-Revised, SBQ-R）得分的受试者，SBQ-R≥7定义为自杀风险阳性。预测变量含53个情境心理社会自报项（社会人口学、生活方式、大学相关、压力源）与10个心理测量特征（GHQ-12、DASS、PSS、BRIEF-COPE、ASSIST酒精分项）。类别变量哑变量化，删近零方差特征，防信息泄漏地分别预处理训练集（75%）与测试集（25%），10次5折交叉验证调参，随机森林500树，以AUC为主指标，信息增益排特征重要性，偏依赖图（partial dependence plots, PDPs）析边际效应。
研究结果部分，样本特征中最终样本78.7%为女性，63.1%本科、31.5%硕士、5.4%博士，SBQ-R阳性率44.5%。自杀风险预测显示模型1（AUC=0.72，95%CI 0.63-0.82）、模型2（AUC=0.77，0.68-0.85）、模型3（AUC=0.80，0.72-0.88）性能递进。特征重要性中，模型1前列为年龄、学生兼职、睡眠困难、爱好、就餐放松时间、被包围感、家庭支持、停学意愿、大学归属感、既往精神科就诊、挚爱患病；模型2前列为抑郁、回避、焦虑、压力及寻求支持、积极思考、问题解决；模型3前15位中10个为心理测量（抑郁、焦虑、回避、寻求社会支持等），其余含被包围感、家庭支持、年龄、精神科史、通勤时间。偏依赖分析表明单变量边际改变幅度均较温和，模型1中高社会支持降风险、挚爱患病升风险；模型2与3中高抑郁回避升风险，社会支持降风险。
讨论部分指出，情境心理社会变量单独已达可用筛查水平（AUC 0.72），其中低归属感、低支持呼应人际理论（thwarted belongingness），但各因子边际效应小且累进，体现ML捕捉多变量交互优势；仅心理测量模型AUC 0.77，抑郁最一致，回避突出支持逃避理论（自杀作为逃离自我失败与情感痛苦的认知尝试）；联合模型AUC 0.80，情境与心理测量互补，前者映外部条件（社会整合、日常节奏、学业驱动），后者映内部痛苦与应对，契合ideation-to-action框架。敏感性低于特异性系SBQ-R定义异质性所致，需分层建模。通勤40-60分钟风险偏低可能反映同住家庭或同行纽带，属代理变量。局限含新冠封锁背景、女性偏多、横断面非因果、相关变量共享痛苦成分、SBQ-R含既往与近期成分。
结论部分翻译如下：本研究从三方面增进对高校人群自杀风险的理解。首先，结果与人本心理框架一致，显示归属感受挫与回避相关预测因子在大学生自杀风险中居核心。其次，三模型机器学习框架证明了分层识别风险的可行性——情境变量可作可及的一线筛查工具，再对疑似者施测综合心理测量。最后，研究将发现联结至预防策略。综上，这些贡献阐释了理论、先进方法与实务应用如何结合，以指导高校情境中具成本效益的现实自杀预防。论文发表于《Scientific Reports》。
