任何生命的喪失都是毀滅性的，但因自殺而導致的生命喪失卻格外令人悲痛。自殺是15至44歲澳大利亞人死亡的主要原因，每天幾乎有9人喪生。根據一些估計，自殺未遂的發生率是死亡的30倍。”自殺一旦發生就會產生巨大影響。它影響到許多人，並對家庭、朋友和社區產生深遠的影響。”新南威爾士大學黑狗研究所的精神病學博士候選人凱倫-庫蘇瑪說，她調查了青少年的自殺預防。

庫蘇瑪女士和來自黑狗研究所和健康大數據研究中心的一組科學家最近進行的研究調查了支持機器學習模型預測潛在自殺行為和想法能力的證據。他們評估了54種機器學習算法的功效，這些算法是由研究人員先前創建的，用於預測自殺相關的想法、企圖和死亡結果。

發表在《精神病學研究雜誌》上的這項薈萃分析發現，機器學習模型在預測自殺相關結果方面的表現優於傳統的風險預測模型，而傳統的風險預測模型的表現一直很差。

“總的來說，研究結果顯示，有一個初步但令人信服的證據基礎，即機器學習可以用來預測未來與自殺有關的結果，而且性能非常好。”

傳統的自殺風險評估模型

為了預防和管理自殺行為，識別那些有自殺風險的人是至關重要的。然而，預測風險是具有挑戰性的。

在急診科（EDs），醫生經常採用風險評估工具，如問卷調查和評級表，來確定有自殺高風險的病人。然而，有證據表明，它們在實踐中對準確判斷自殺風險是無效的。

“雖然有一些共同的因素被證明與自殺企圖有關，但一個人的風險在另一個人身上可能看起來非常不同。但自殺是複雜的，有許多動態因素，因此很難用這種評估過程來評估風險狀況。”

對昆士蘭州死於自殺的人進行的屍檢分析發現，在接受正式自殺風險評估的人中，75%被列為低風險，沒有人被列為高風險。以前的研究檢查了過去50年的定量自殺風險預測模型，也發現它們在預測未來的自殺風險方面只比平均水平稍好。

“在世界許多地方，包括澳大利亞，自殺是造成生命損失年數的主要原因。但是自殺風險評估的方式最近並沒有發展起來，我們也沒有看到自殺死亡人數的大幅下降。在某些年份，我們看到了增長。”

儘管缺乏支持傳統自殺風險評估的證據，但在醫療保健機構中，進行自殺風險評估仍然是一種標準做法，以確定病人的護理和支持水平。那些被確認為具有高風險的人通常會接受最高級別的護理，而那些被確認為低風險的人則會出院。

“使用這種方法，不幸的是，高水平的干預措施並沒有被給予真正需要幫助的人。因此，我們必須著眼於改革這一過程，探索我們可以改善自殺預防的方法，”庫蘇瑪說。

機器學習自殺篩查

庫蘇瑪女士說，在自殺學方面需要更多的創新，並對標準的自殺風險預測模型進行重新評估。改善風險預測的努力導致她的研究使用人工智能（AI）來開發自殺風險算法。有了人工智能，可以比臨床醫生接受更多的數據，就能更好地識別哪些模式與自殺風險有關。

在薈萃分析研究中，機器學習模型的表現超過了傳統的臨床、理論和統計自殺風險預測模型之前所設定的基準。他們正確預測了66%會出現自殺結果的人，正確預測了87%不會出現自殺結果的人。

相對於傳統的預測模型，機器學習模型可以很好地預測自殺死亡，可以成為傳統風險評估的高效和有效的替代方案，傳統統計模型的嚴格假設並不束縛機器學習模型。相反，它們可以靈活地應用於大型數據集，為許多風險因素和自殺結果之間的複雜關係建模。它們還可以納入響應的數據源，包括社交媒體，以確定自殺風險的峰值，並標記出最需要干預的時間。

隨著時間的推移，機器學習模型可以被配置為接受更複雜和更大的數據，以更好地識別與自殺風險相關的模式。

使用機器學習算法來預測與自殺有關的結果仍然是一個新興的研究領域，所確定的研究中有80%是在過去五年中發表的，未來的研究也將有助於解決迄今為止在算法模型中發現的聚集偏差風險。

庫蘇瑪表示：”有必要進行更多的研究來改進和驗證這些算法，這將有助於推進機器學習在自殺學中的應用。雖然我們離在臨床環境中的實施還有一段距離，但研究表明這是未來提高自殺風險篩查準確性的一個有希望的途徑。”

了解更多：

https://www.sciencedirect.com/science/article/abs/pii/S0022395622005416?via%3Dihub