基于急诊科就诊模式预测自杀事件：美国全国队列研究揭示心理健康服务利用的预测价值

《Social Psychiatry and Psychiatric Epidemiology》：Comparing patterns of recent mental health service use for predicting suicidal events following emergency department mental health visits in the United States: A national cohort study

　　急诊科自杀风险评估面临筛查工具局限性高、患者否认自杀意念等挑战。本研究通过分析240万次急诊心理健康就诊数据，开发预测模型发现，纳入既往180天急性心理健康服务使用史可将预测非致命性自杀事件的AUC提升至0.83，为临床决策支持工具开发提供关键依据。

　　

在急诊科的繁忙环境中，临床医生常常面临一个生死攸关的难题：如何准确识别那些在心理健康急诊就诊后短期内具有高自杀风险的患者？尽管研究表明，因心理健康问题就诊急诊科后的数月内自杀风险极高，特别是对于那些因自杀意念或自伤行为就诊的患者，但精准预测始终是临床实践中的痛点。传统筛查方法存在明显局限——单纯筛查并不能降低未来自杀行为风险，更令人担忧的是，有33%-50%的患者在实施非致命性或致命性自杀行为前否认存在自杀意念。

这一挑战催生了医疗数据预测模型的发展浪潮。机器学习、服务利用轨迹建模、潜在类别模型等先进技术逐渐应用于该领域，其性能普遍优于传统临床评估方法。然而，现有研究多聚焦于门诊就诊或住院后的患者风险预测，或局限于特定急诊人群（如自伤患者、青少年或完成自杀意念评定量表的患者）。对于更广泛的急诊心理健康患者群体，如何利用其既往医疗服务利用模式来提升短期自杀风险预测精度，仍存在研究空白。

正是在这一背景下，由Timothy Schmutte、Steven C. Marcus和Ming Xie等学者组成的研究团队在《Social Psychiatry and Psychiatric Epidemiology》上发表了重要研究成果。他们开展了一项全国性回顾性队列研究，旨在评估不同表征方式的近期心理健康服务利用模式对急诊科心理健康就诊后180天内非致命性自杀事件的预测价值。

研究团队利用Optum电子健康记录数据库，分析了2015年9月30日至2022年9月30日期间2,445,597次急诊心理健康就诊事件，涉及1,341,253名10岁及以上患者。通过严格的纳入排除标准，确保研究人群聚焦于接受急性急诊护理且在研究卫生系统内有连续医疗活动的患者。研究主要结局是急诊出院后180天内发生的急性非致命性自杀事件，通过特定ICD诊断代码进行识别。

研究方法的核心在于系统比较六种不同的既往180天心理健康服务利用表征方式：从简单的二元指标（有任何服务利用）到更复杂的月度计数、加权斜率以及月度服务利用的交互项。研究人员构建了一系列逻辑回归模型，依次加入人口学特征、急诊心理健康诊断以及不同表征方式的服务利用变量，通过受试者工作特征曲线下面积评估模型性能。

研究结果揭示了令人印象深刻的数据模式。在超过240万次急诊心理健康就诊中，有7.2%（n=176,000）在随后180天内发生了急性非致命性自杀事件。单因素分析显示，男性、黑人非西班牙裔、年轻年龄组（10-17岁和18-34岁）以及特定精神障碍诊断（自杀意念或自伤、人格障碍、精神病性障碍、双相情感障碍）与更高的自杀事件风险显著相关。

模型性能比较发现，仅包含人口学特征的基线模型AUC为0.63，加入急诊心理健康诊断后提升至0.76。当纳入既往服务利用变量后，模型性能进一步改善，但出乎意料的是，简单二元指标（有任何心理健康相关服务利用）与更复杂的月度计数、加权斜率或交互项表征方式之间，预测性能差异微乎其微（AUC范围0.78-0.82）。

最终包含人口学特征、急诊诊断和三种既往180天服务利用变量的完整模型达到了0.83的AUC值，表现出优秀的区分能力。多因素分析确定的最强预测因子是既往因自伤或自杀意念的住院或急诊事件（OR=5.45，95% CI=5.37-5.54），其次是既往任何心理健康障碍、自伤或自杀意念的急诊就诊（OR=1.87，95% CI=1.84-1.90）以及任何环境下的自伤或自杀意念服务利用（OR=1.56，95% CI=1.53-1.59）。

主要技术方法

本研究基于Optum电子健康记录数据库，采用回顾性队列设计分析2015-2022年间240万次急诊心理健康就诊。通过逻辑回归模型系统比较六种服务利用表征方式（二元指标、计数、月度计数、加权斜率、月度二元指标及交互项）的预测性能，使用2/3训练集和1/3测试集验证模型泛化能力，以AUC值评估预测180天内非致命性自杀事件的区分度。

研究结果

队列特征分析

研究样本中以女性（58.1%）、白人非西班牙裔（70.5%）和18-34岁（29.9%）或45-64岁（30.9%）患者为主。抑郁障碍（31.9%）和焦虑障碍（40.4%）是最常见的急诊诊断。单因素分析显示男性（OR=1.82）、黑人非西班牙裔（OR=1.25）以及自杀意念或自伤（OR=6.22）、人格障碍（OR=4.49）、精神病性障碍（OR=3.86）和双相障碍（OR=2.21）诊断与显著升高的自杀事件风险相关。

预测模型性能比较

六种服务利用表征方式中，简单二元指标与复杂时序模型性能相当。针对三种服务利用变量（任何急诊就诊、急诊/住院事件、任何服务利用），复杂表征方式仅带来微小AUC提升（0.78-0.82），表明基础服务利用信息已捕获大部分预测信号。

多变量模型预测效能

最终整合模型显示，急性护理服务利用史是仅次于索引急诊诊断的强大预测因子。特别是既往因自伤或自杀意念的急诊/住院事件，使后续自杀事件风险增加超过5倍，凸显急性危机干预史在风险评估中的关键地位。

结论与讨论

本研究通过大规模实证分析证明，结构化电子健康记录数据可相对准确地预测急诊心理健康就诊后180天内的非致命性自杀事件（AUC=0.83）。与哥伦比亚自杀严重程度评定量表（C-SSRS）报告的预测性能（AUC=0.59）相比，本研究模型表现出显著优势。

值得注意的是，与假设相反，更精细的服务利用时序表征并未带来预测性能的实质性改善。这一发现与部分前人研究一致，但与其他强调时序模式重要性的研究存在差异。可能原因包括研究人群差异（急诊vs门诊）或医疗系统特征变异。

从临床实践角度，这些发现为急诊医生评估自杀风险提供了实用工具。在53.7%美国社区医院缺乏急诊精神科会诊的现状下，利用电子健康记录中的既往急性精神科护理信息，可帮助 frontline 临床医生进行风险分层和资源分配。询问既往心理健康服务利用史可能成为减少病耻感、弥补筛查局限的有效临床策略。

研究局限性包括仅涵盖精神障碍患者（约20%自杀尝试者无精神病史）、依赖ICD编码准确性、无法区分自杀企图与非自杀性自伤行为等。然而，基于电子健康记录的预测模型为改善急诊自杀风险评估提供了有前景的途径，特别是在资源有限的环境中辅助临床决策。

这项研究的重要意义在于将理论假设转化为临床实用工具，通过验证简单有效的预测指标，为降低急诊科自杀风险这一重大公共卫生挑战提供了切实可行的解决方案。