研究人员开发了可以提高儿童自杀风险预测的机器学习模型

　　一项新的研究发现，卫生系统存储和跟踪接受紧急护理的儿童数据的典型方式错过了相当大一部分有自残想法或行为的儿童。研究人员还发现，他们设计的几个机器学习模型在识别有自残风险的儿童方面明显更好。

　　

加州大学洛杉矶分校健康研究人员的一项新研究发现，卫生系统存储和跟踪接受紧急护理的儿童数据的典型方式错过了相当大一部分有自残想法或行为的儿童。研究人员还发现，他们设计的几个机器学习模型在识别有自残风险的儿童方面明显更好。

在一场全国性的青少年心理健康危机中，心理健康提供者正试图提高他们对哪些儿童有自杀或自残风险的了解，以便提供者能够更早地进行干预。然而，卫生系统往往不能充分了解谁会因为自残的想法或行为而来到他们的大门，这意味着许多旨在标记未来面临风险的儿童的风险预测模型是基于不完整的数据，限制了预测的准确性。

该研究的主要作者、加州大学洛杉矶分校心理健康信息与数据科学中心(MINDS)副主任、医学博士朱丽叶·艾格科姆(Juliet Edgcomb)说:“我们预测未来哪些孩子可能有自杀想法或行为的能力并不强——一个关键原因是我们的研究领域跳到预测，而不是停下来思考我们是否真的系统地检测了每一个前来接受自杀相关护理的人。”“我们试图了解我们是否可以首先提高检测能力。”

许多自杀和自残的风险预测模型依赖于提供者如何通过被称为国际疾病分类第10版(ICD-10)的诊断代码对他们提供的护理进行分类。然而，这可能排除了许多有自残想法或行为但在健康记录中被编码为潜在心理健康诊断(如抑郁或焦虑)的儿童。另一种常用的标记高危患者的方法是“主诉”，在医疗保健访问开始时提供简短的陈述，描述患者寻求治疗的原因，但儿童在第一次进入急诊室时可能并不总是报告自杀的想法和行为。

专家们回顾了一家大型卫生系统中600名10-17岁儿童急诊就诊的临床记录，以了解ICD-10代码和主诉在多大程度上识别出有自残想法或行为的儿童。

审查了患者临床记录的专家发现，在因自残想法或行为来到急诊室的儿童中，ICD代码遗漏了29%，而主诉遗漏了一半以上(54%)的患者。同时使用ICD代码和主诉仍然漏掉了大约22%的患者。

依赖于ICD代码或主诉的筛查方法也更容易错过男孩而不是女孩，以及比青少年更容易错过青春期前的孩子。还有一个迹象表明，黑人和拉丁裔青年更有可能被排除在外，这引发了人们的担忧，即这些群体在风险预测模型中的代表性可能不成比例地不足。

研究人员设计了三种不同的机器学习模型，以测试自动化系统是否能更好地识别出有自残想法或行为的儿童。最全面的模型纳入了患者电子记录中的84个数据点，包括以前的医疗保健、药物、人口统计信息以及儿童是否生活在弱势社区等。第二个模型使用了精神健康的所有诊断代码，而不仅仅是来自疾病预防控制中心自杀监测项目的与自杀相关的代码，第三个模型查看了其他指标，如患者的药物和实验室测试。

这三种机器学习模型都能更好地识别出有自残想法和行为的儿童，而不仅仅是ICD代码和主诉。没有一个机器学习模型比其他模型表现得更好，这表明卫生系统可以提高他们标记高危患者的能力，而不必建立特别复杂的模型。

“增加更多的信息是有帮助的，但你不一定需要一个花哨的方法来获得更好的检测，”Edgcomb说。

机器学习模型更有可能标记出没有自残风险的患者，但艾格科姆说，使用这些更敏感的筛查工具几乎没有什么缺点。她说:“根据情况，最好是出现一些假阳性，让医疗记录分析师仔细检查那些阳性的图表，而不是完全错过很多孩子。”

Edgcomb即将进行的研究将继续研究改善青少年自杀风险预测模型的方法，包括那些特别缺乏的小学年龄儿童的预测模型。

这项研究发表在2023年7月21日的《JMIR心理健康》杂志上。

其他研究作者包括加州大学洛杉矶分校David Geffen医学院医学系的Chi-hong Tseng博士、Mengtong Pan博士和Alexandra Klomhaus博士，以及Semel研究所社区卫生中心加州大学洛杉矶分校MINDS中心的Bonnie Zima医学博士和公共卫生硕士。