根据马来西亚国家健康与发病率调查的数据，探讨自杀念想的普遍程度及其相关因素：一项机器学习分析

时间：2026年2月16日

来源：Journal of Affective Disorders

编辑推荐：

自杀意念患病率为2.3%，机器学习模型（LASSO回归最优）显示抑郁症状、健康问题及人口学因素（男性、高龄、已婚、低教育、低收入）为关键预测因子。

马来西亚国立大学健康科学学院社区健康研究中心，马来西亚吉隆坡联邦直辖区吉隆坡

摘要

背景：本研究利用机器学习方法，估算了马来西亚全国代表性样本中过去两周内有过自杀念头的比例，并探讨了其人口统计学、临床特征及健康相关因素。方法：2019年马来西亚国家健康与发病率调查（NHMS）共纳入11,674名18岁及以上的成年人作为样本。自杀念头通过患者健康问卷-9（PHQ-9）的第9项进行评估，即“您是否曾有过‘死了会更好’或‘以某种方式伤害自己’的念头”。影响变量包括抑郁症状（PHQ-9第1-8项）、自我评估的健康状况、急性身体问题、慢性身体疼痛以及体检历史。研究应用了三种机器学习模型——随机森林（Random Forest）、最小绝对值收缩与选择算法（LASSO）逻辑回归（Least Absolute Shrinkage and Selection Operator）和K最近邻（K-Nearest Neighbours）——来识别自杀念头的显著预测因子，并通过排列重要性（Permutation Importance）和SHapley加性解释（SHAP）分析评估各特征的重要性。结果：过去两周内有过自杀念头的比例估计为2.3%。抑郁症状（尤其是情绪低落、无价值感、食欲减退、疲劳和注意力集中困难）是最强相关的因素。在各种模型中，LASSO逻辑回归的表现最佳（曲线下面积AUC为0.80，准确率为98%，敏感性为100%），其次是随机森林（AUC为0.88）和KNN（AUC为0.74）。主要预测因子包括抑郁症状、健康相关因素以及社会人口统计变量，如男性、年龄较大、已婚、受教育程度较低或收入较低。结论：研究结果表明，在马来西亚背景下，需要制定同时针对心理健康和社会决定因素的自杀预防策略。

引言

2021年全球约有72.7万人自杀，其中73%发生在低收入和中等收入国家（世界卫生组织，2025年）。自杀是15-29岁人群的主要死因（世界卫生组织，2025年）。马来西亚的自杀死亡率从2014年的每10万人4.90例上升到2019年的5.77例（Lew等人，2022年）。过去12个月中，自杀未遂的趋势也在上升；根据国家健康与发病率调查（NHMS），自杀未遂的患病率从2012年的6.8%上升至2022年的9.5%（公共卫生研究所，2011年，2022年）。

自杀念头是指“有或没有自杀意图地考虑自杀，或希望通过自杀方式结束生命，或仅有自杀意图但未采取行动”（De Leo等人，2021年，第8页）。马来西亚的国家健康与发病率调查自2006年起开始收集成人自杀念头的数据。研究发现，6.4%的受访者经历过急性自杀念头，表现为突然且强烈的自杀想法；26.0%的受访者有慢性自杀念头，即随时间持续反复出现的自杀想法（公共卫生研究所，2008年）。2011年的NHMS显示，过去一个月内有过自杀念头的成年人比例为1.7%，女性、年轻人群体和印度族裔的比例更高（公共卫生研究所，2011年）。

人口统计特征被用作针对高风险群体开展自杀预防干预的指标。年龄、性别和文化背景等因素显著影响个体体验和表达自杀念头的方式（Wang，2023年）。然而，不同文化背景下自杀念头的人口统计关联可能有所不同，导致研究结果存在差异（Huang等人，2017年），因此每个国家或地区都需要确定与其人口相关的具体关联因素。

一般健康状况，如自我评估的健康状况、急性身体问题和慢性身体疼痛，已被研究作为自杀念头的关联因素。自我评估的健康状况是指个体对自己当前整体健康状况的主观评价（公共卫生研究所，2020年）。据估计，13岁及以上的马来西亚人口中有1.9%的人认为自己健康状况较差或非常差（公共卫生研究所，2020年）。Cheah等人（2018年）利用2011年NHMS的数据发现，自我评估的健康状况较差与自杀念头有关。慢性疼痛影响了8.7%的13岁及以上的马来西亚人（公共卫生研究所，2020年）。越来越多的基于人群的研究指出，慢性身体疼痛是自杀的风险因素（Calati等人，2015年；Campbell等人，2015年；Grocott等人，2021年；Stenager等人，2014年）。经常感到疼痛/不适或严重疼痛的个体有更高的自杀念头风险（比值比OR分别为1.79和2.19；Grocott等人，2021年）。这些因素在马来西亚尤为重要，因为2019年NHMS数据显示，糖尿病和高血压等非传染性疾病的患病率较高，这些疾病常伴随慢性症状、功能障碍和心理困扰（公共卫生研究所，2020年）。

PHQ-9的第9项（“您是否曾有过‘死了会更好’或‘以某种方式伤害自己’的念头？”）在临床和基于人群的研究中被广泛用于评估过去两周内的自杀念头（例如，Miller等人，2022年；Rossom等人，2017年；Schunter等人，2022年）。其两周的回忆期限减少了回忆偏差，能够及时反映近期的自杀念头（Patten，2003年），尽管它可能低估了在此时间窗口之外发生的念头，并限制了与早期使用较长回忆期限的NHMS估计结果的直接可比性。重要的是，第9项同时涵盖了被动（“死了会更好”）和主动（“伤害自己”的）自杀念头，使其成为衡量自杀风险的实用且具有临床意义的指标（Kroenke等人，2001年）。

在美国，PHQ-9完成后的两年内，自杀念头是自杀未遂的显著预测因子（Rossom等人，2017年）。在完成PHQ-9后的30天内，报告“几乎每天”有自杀念头的患者尝试自杀的可能性是那些“从未有过”这种念头的人的5-8倍，自杀死亡的可能性是3-11倍（Rossom等人，2017年）。在马来西亚，PHQ-9第9项也被用于COVID-19期间的医护人员筛查（Sahimi等人，2021年）。鉴于单独使用第9项可能高估风险（Chung等人，2023年），本研究利用机器学习来识别与第9项相关的人口统计和健康特征。

机器学习方法在自杀研究中应用日益增多，特别是在分析大型复杂数据集以预测自杀念头和行为方面（Bernert等人，2020年；Knipe等人，2022年；Nordin等人，2022年）。尽管与传统统计方法的比较结果不一（Grendas等人，2022年；McHugh和Large，2020年），但在高维环境中，机器学习在处理相关预测因子、减少过拟合和提高大样本稳定性方面具有优势（Hastie等人，2009年；Walsh等人，2017年）。这些方法已被用于识别与自杀念头相关的因素，包括基于PHQ-9第9项的研究（Gong等人，2019年；Kim和Lee，2022年）。鉴于马来西亚自杀念头率的上升以及全国代表性成人样本使用的有限性，本研究旨在利用机器学习方法提供更新的患病率估计并识别关键关联因素。

研究设计

本研究采用横断面设计，分析了2019年国家健康与发病率调查（NHMS）的二手数据。

研究地点

2019年NHMS调查覆盖了马来西亚所有13个州和3个联邦直辖区，包括城市和农村地区（公共卫生研究所，2020年）。

抽样与数据收集

2019年NHMS的样本量根据人口规模按比例分配，使用单比例公式计算（公共卫生研究所，2020年）。采用了两阶段分层随机抽样设计以确保全国代表性

加权人口统计特征与自杀念头

按自杀念头状态分组的加权特征数据见补充表1。共有11,674名受访者参与调查（回应率：87.2%），代表了20,936,755名成年人，性别分布较为均衡（男性50.2%，女性49.8%）。马来人占多数（51.9%），大多数受访者具有中等教育水平（50.7%）；私营部门员工是最大的就业群体（38.3%）。家庭收入

讨论

本研究估计2019年马来西亚成年人中过去两周内有过自杀念头的比例为2.3%。与使用相同两周回忆期的研究相比，这一比例低于高收入国家的估计值，例如德国的4.5%（Schunter等人，2022年）和美国的3.3%（Liu等人，2025年）。总体而言，这些比较表明马来西亚的自杀念头比例处于国际较低水平。

结论

在这项全国代表性分析中，自杀念头的比例为2.3%，凸显了其作为公共卫生问题的重要性。机器学习方法显示，抑郁症状（如情绪低落、自我价值感低、食欲减退、疲劳）和非临床因素（如婚姻状况、收入、教育水平、职业和身体健康状况）在塑造自杀风险方面起着重要作用。

作者贡献声明

赵庆占（Choy Qing Cham）：撰写——审稿与编辑、初稿撰写、方法论、调查、数据分析、概念化。舒巴什·尚德尔·加纳帕西（Shubash Shander Ganapathy）：撰写——审稿与编辑、验证、资源获取、方法论、调查。程新绍（Ching Sin Siau）：撰写——审稿与编辑、初稿撰写、验证、方法论、调查、概念化。努拉兹鲁尔·亚希亚（Noorazrul Yahya）：撰写——审稿与编辑、验证、项目监督、软件使用、方法论、数据分析。