Natalia Roberto、Michele De Prisco、Jorge Andreo-Jover、María Arqueros、Wala Ayad Ahmed、Teresa Bobes-Bascarán M、Manuel Canal-Rivero、Ana Isabel Cebrià、Benedicto Crespo-Facorro、Alejandro de la Torre、Marina Diaz-Marsá、Matilde Elices、Daniel García Martínez、Iria Grande、Luis Jiménez-Treviño、J. John Mann、S. Roger McIntyre、Vincenzo Oliva、Ángela Palao、Diego J. Palao、Víctor Pérez-Solà
西班牙加泰罗尼亚地区巴塞罗那大学（UB）医学院与健康科学学院神经科学研究所（UBNeuro）医学系
摘要 自杀未遂的最佳预测因素是之前的自杀尝试经历，此外还有相关的精神疾病诊断。一些研究发现了其他表明自杀再尝试高风险的指标。机器学习算法具有系统识别高风险特征的能力。本研究旨在开发一种分类算法，以区分单次自杀尝试者（SSA）和多次自杀尝试者（MSA），从而探索自杀患者的后续再尝试行为。
研究开发了两种模型，分别使用更具体（模型I）或更广泛的（模型II）的社会人口统计和临床变量来分析自杀再尝试的风险因素。采用了最小绝对值收缩回归（Least Absolute Shrinkage and Regression Operator）逻辑回归方法，并进行了10折交叉验证。
研究纳入了SURVIVE队列中的1443名成年患者（582名为SSA，861名为MSA）。模型I（AUC=0.696；BAC=0.644）和模型II（AUC=0.678；BAC=0.621）在区分SSA和MSA方面均优于朴素多数类分类方法。在模型I中，双相情感障碍II型、暴食症和精神分裂症与自杀再尝试的风险相关程度更高；而在模型II中，进食障碍诊断、非洲出生地、情感障碍诊断、就业状况、精神分裂症谱系障碍和物质使用障碍诊断是影响自杀再尝试最重要的因素。
情感障碍、进食障碍和精神分裂症谱系障碍被证实是预测自杀再尝试的最重要变量。两种模型在区分SSA和MSA时表现出相似的敏感性和特异性。识别特定的再尝试风险因素对于制定针对性的预防策略和干预措施具有重要意义。
引言 自杀是全球所有年龄段中可预防的死亡和残疾的主要原因之一（世界卫生组织，2024年）。自杀是一种复杂的多因素跨诊断现象，可能在不同临床情况下发生。世界卫生组织（WHO）与联合国已将自杀列为公共卫生优先事项，并将其纳入可持续发展目标，计划到2030年将全球自杀率降低三分之一（世界卫生组织，2022年；世界卫生组织，2024年）。迄今为止，已确定的所有风险因素中，之前的自杀尝试是最佳的预测指标，尽管其临床预测价值有限；精神疾病诊断也与自杀密切相关（Baldessarini，2020年）。然而，还有许多其他风险因素会影响自杀行为的发生，如某些心理因素（如冲动性）、童年创伤、慢性疾病、社会人口统计变量，甚至与上述情况无关的脆弱时期（Gómez-Vallejo等，2025年；Klonsky等，2016年；Oliva等，2024年）。但这些单变量预测因素在准确预测自杀方面的临床应用可能有限（Franklin等，2017年）。 自杀尝试后的第一年是再尝试的高风险期（de la Torre-Luque等，2023年；Olfson等，2017年）。然而，确定个体的自杀风险具有挑战性，因为这取决于生物学、心理、社会和环境等多种因素的累积或相互作用（O'Connor和Kirtley，2018年；Turecki等，2019年）。这些因素之间的相互作用导致了自杀行为的多种表现形式。有些个体仅尝试过一次自杀（SSA），而另一些个体则在一生中多次尝试自杀（MSA）（Mendez-Bustos等，2013年）。
SSA和MSA的特征定义因其临床价值而受到关注，有助于发现潜在的机制差异。MSA患者更可能有童年虐待史、更强的攻击性或家族自杀史（Forman等，2004年）；同时，在决策能力和冲动相关认知任务方面也存在困难（de Cates等，2017年；Le等，2024年），这增加了再次尝试自杀的风险。此外，MSA的尝试方式可能与SSA不同（Pemau等，2024年；de Cates等，2017年；Mendez-Bustos等，2013年；Forman等，2004年）。其他研究还探讨了多次尝试者（一生中超过五次尝试）的特征，这些特征可能与物质使用障碍等共病情况有关（Blasco-Fontecilla等，2014年；Irigoyen-Otiñano等，2018年），或其他相关情况如自伤行为（Golay等，2021年；de Cates等，2017年），或比较SSA与未尝试过自杀的自杀意念者（Berardelli等，2020年）。因此，在进行风险分层时，应考虑这些额外的表型特征，因为尝试次数增加会增加致命性。
临床医生在评估自杀风险方面的表现并不比随机猜测好多少，因此最近探索了其他技术（Nock等，2022年；Baldessarini，2020年），如机器学习（ML）。这些技术在开发预测模型方面表现出有效性，可以利用多种类型的数据有效分析自杀行为模式。例如，Sheu及其团队最近测试了两种不同的自杀预测模型，对不同患者群体（普通门诊患者、精神科急诊患者和精神科住院患者）都取得了良好的区分效果（Sheu等，2023年）。另一项研究利用荷兰全国范围内的临床和社会人口统计数据，通过新的机器学习方法准确识别出自杀高风险人群（Berkelmans等，2023年）。另一项关于机器学习研究的系统评价分析了精神疾病诊断患者群体，尽管方法存在差异，但基于目前已知的危险因素（如之前的自杀尝试、疾病严重程度或药物治疗）仍显示出令人满意的准确性（Pigoni等，2024年）。尽管近年来关于自杀预测的机器学习研究数量有所增加，尤其是针对普通人群的研究，但针对临床评估的精神疾病患者群体的研究相对较少。
本研究旨在通过使用机器学习方法（特别是最小绝对值收缩回归（LASSO）算法）比较SSA和MSA样本，来识别自杀再尝试的预测因素（Bohaterewicz等，2021年；Iorfino等，2020年；Hettige等，2017年；Passos等，2017年），以检验预测性能在不同临床信息表示形式下的稳健性。
参与者 数据来自“自杀预防与干预研究”（SURVIVE）。SURVIVE是一项在10家不同大学医院进行的西班牙队列研究，旨在招募最近有过自杀尝试的人（Pérez等，2020年）。本研究的主要数据是在自杀尝试后的基线访问时收集的。经过认证的精神科医生和心理学家进行了面对面评估。在纳入研究之前，所有参与者都
结果 最终样本包括来自SURVIVE队列的1443名成年人。样本平均年龄为40.8岁（标准差=15.6岁，范围=18–93岁），根据PHQ-9量表显示中度至重度抑郁症状；根据GAD-7量表显示中度焦虑，平均得分分别为17.4（标准差=6.2，范围=0–27）和12.3（标准差=5.3，范围=0–21）。女性占多数（69.8%，n=1007）；大部分人未就业（40%，n=577）；约一半人有
讨论 本研究使用两种不同的机器学习模型，探讨了1443名西班牙成年患者的自杀再尝试预测因素。具体分类的模型I和广泛分类的模型II均表现出类似的分类性能，优于传统的预测方法，同时考虑了不同的指标以避免偏差（White等，2023年）。模型间相似的分类性能表明了预测的稳健性
结论 情感障碍、进食障碍和精神分裂症谱系障碍是与MSA相关的主要精神疾病诊断。无论在诊断时特征区分的程度如何，预测模型中都识别出相同的风险因素。因此，机器学习算法有助于更好地识别高风险群体的预测因素，这可能对个性化干预措施产生重要影响
CRediT作者贡献声明 Natalia Roberto： 撰写——审稿与编辑、初稿撰写、可视化、验证、方法学、研究、数据管理、概念化。Michele De Prisco： 撰写——审稿与编辑、初稿撰写、可视化、验证、软件使用、方法学、数据分析。Jorge Andreo-Jover： 撰写——审稿与编辑、研究。María Arqueros： 撰写——审稿与编辑、方法学。Wala Ayad Ahmed： 研究。Teresa Bobes-Bascarán M：
未引用参考文献 Stack, 2021
利益冲突声明 IG曾在提交的工作之外，为以下机构担任顾问、咨询师或继续医学教育（CME）演讲者：ADAMED、Angelini、Casan Recordati、Esteve、Ferrer、Gedeon Richter、Janssen Cilag、Lundbeck、Lundbeck-Otsuka、Luye、SEI Healthcare、Viatris。她还从Oxford University Press、Elsevier、Editorial Médica Panamericana获得版税。PAS曾为Adamed、Alter Medica、Angelini Pharma、CIBERSAM等机构提供咨询或接受报酬/资助。
打赏
