研究人員利用機器學習算法確定了可以預測青少年自殘和試圖自殺風險的首要因素。他們表示，他們的模型比現有的風險預測工具更準確，可用於為易受傷害的患者提供個性化護理。青春期是一個關鍵的成長期。生理、情感和社會的變化會使青少年容易出現心理健康問題，包括企圖自殺和自殘。

根據澳大利亞健康與福利研究所（AIHW）的數據，自殺是15-24 歲澳大利亞人的首要死因。在美國，疾病控制和預防中心（CDC）將其列為10-14 歲青少年的第二大死因。

預測自殺或自殘的標準方法依賴於將過去的自殺或自殘嘗試作為唯一的風險因素，但這可能並不可靠。現在，新南威爾士大學悉尼分校領導的研究人員利用機器學習（ML）準確識別出了導致青少年自殺和自殘風險增加的首要因素。

“有時我們需要消化和處理大量信息，這超出了臨床醫生的能力範圍，”該研究的通訊作者Ping-I Daniel Lin說。”這就是我們利用機器學習算法的原因”。

這項具有全國代表性的研究始於2004年，從澳大利亞兒童縱向研究（LSAC）中提取了2809名青少年的數據。這些青少年被分為兩個年齡組：14 至15 歲和16 至17 歲。數據來自兒童、他們的照顧者和學校老師填寫的調查問卷。在參與者中，10.5%的人曾報告過自我傷害行為，5.2%的人報告在過去12個月中至少嘗試過一次自殺。

研究人員從心理健康、身體健康、人際關係、學校和家庭環境等方面的數據中發現了4000 多個潛在風險因素。他們使用隨機森林（RF）算法來確定哪些14-15歲時出現的風險因素最能預測16-17歲時的自殺和自殘企圖。

RF 是一種由決策樹組成的監督機器學習算法。它將多個決策樹的輸出結果結合起來，得出一個結果。RF 算法的基本思想是，通過將多個決策樹組合成一個模型，平均預測結果將更接近實際情況。

研究人員將ML 模型的預測性能與僅使用既往自殘史或自殺未遂史作為預測指標的方法進行了比較。每個模型的性能都是通過評估曲線下面積（AUC）來確定的，AUC 是一個性能指標，範圍從0.5（不優於隨機猜測）到1.0（完美預測）。一般來說，預測風險的AUC 在0.7 到0.8 之間為可接受，0.8 到0.9 為優秀，超過9.0 為傑出。

過程中使用了48 個變量來訓練RF 模型，以預測自殘行為，結果顯示該模型的AUC 為0.740，預測效果尚可。在預測自殺未遂方面，使用315 個變量訓練的模型的AUC 為0.722。

在自殘模型中，最主要的變量包括評估抑鬱症狀的”簡短情緒和感覺問卷”（SMFQ）、評估行為和情緒的”優勢和困難問卷”（SDQ）得分、生活壓力事件、青春期量表、兒童與父母的關係、自主性、對學校的歸屬感以及兒童是否有男女朋友。在自殺未遂模型中，SMFQ、SDQ、評估焦慮症狀嚴重程度的斯彭斯焦慮量表以及衡量健康相關生活質量的CHU9D 指數是最主要的預測指標。

與僅使用自殘史或自殺未遂史作為預測指標相比，ML 模型的效果更好。使用既往自殘史預測重複自殘的AUC為0.645，使用既往自殺未遂史預測重複自殺未遂的AUC為0.630，使用自殘史預測自殺未遂的AUC為0.647。

令研究人員感到驚訝的是，自殺或自殘前科並非高危因素，而環境卻扮演著如此重要的角色。

Lin說：”讓我們感到驚訝的是，以前的嘗試並不在首要風險因素之列。我們發現，年輕人所處的環境比我們想像的作用更大。從預防的角度來看，這是一件好事，因為我們現在知道，我們可以為這些人做更多的事情。”

研究人員還指出，無論是自殺還是自殘，都有其特有的因素。

預測自殺的一個獨特因素是缺乏自我效能感，當一個人感到無法控制自己的環境和未來時，就會產生這種感覺。自殘的一個獨特預測因素是缺乏情緒調節。

研究人員說，他們的發現非常重要，因為這些發現傾向於推翻人們僅因心理健康狀況不佳而自殺或自殘的刻板印象。他們說，他們的模型可用於評估青少年的個體化風險。

“基於患者信息，ML 算法可以計算出每個人的得分，並將其整合到電子病歷系統中，”Lin 說。”臨床醫生可以快速檢索這些信息，以確認或調整他們的評估。”

在臨床環境中推廣這些模型之前，還需要進行更多的研究。它們需要應用於現實生活中的臨床數據庫，以驗證其預測自殺和自殘企圖的有效性。

“作為研究人員，我們將努力繼續提供更多信息和證據。這是說服臨床醫生、家庭、患者和社區等利益相關者相信這些數據驅動的方法是有價值的”。

該研究發表在《精神病學研究》（Psychiatry Research）雜誌上。