XiaoMi-AI文件搜索系统
World File Search Systemsuicidal
酒精和其他药物在自杀行为中的作用以及减少自杀想法和行为的有效干预措施
酒精和其他药物 (AOD) 使用在澳大利亚社会中十分普遍，并且与自杀想法 (即自杀意念) 和行为 (包括自杀未遂和自杀成功) 风险增加有关 [1-3]。此外，在个人、人际/关系和社区层面，有问题的 AOD 使用与其他自杀风险因素之间往往存在相互作用 [4-6]。为了指导澳大利亚国家一级的自杀预防战略和举措，需要更好地了解 AOD 使用在自杀结果中的作用，并辨别哪些针对 AOD 使用的干预措施被证明可有效减少自杀想法和行为。2020 年 4 月，国家自杀预防工作组委托悉尼大学玛蒂尔达精神健康和药物使用研究中心进行快速审查和证据核查。本次快速审查和证据核查的总体目标是概述酒精/其他药物作为自杀行为风险因素的作用，并审查针对酒精/其他药物的干预措施在减少自杀企图和自杀死亡（而不是仅仅减少自杀意念）方面的有效性。这种知识综合将形成基于证据和共识的建议的基础，而这些建议反过来又将为国家自杀预防顾问向澳大利亚政府提供建议提供参考。为了指导审查的范围，提出了三个问题：
儿童自杀思想和行为的分类
与构想和尝试相关联。Janiri等5检查使用逻辑回归的潜在风险和保护性因素范围更广泛，还表明，更高水平的家庭冲突是自杀，儿童心理病理学的存在，更长的周末筛查时间和更长的周末筛查时间也被发现是危险因素，而危险因素更大，而父母的监督和积极的学校参与是保护因素。的发现表明，贫穷的家庭连贯性和支持与儿童自杀念头有关，与个人的心理模型以及自杀行为的综合动机 - 自愿性模型相一致，在这种模型中，独自一人和不支持的感觉（挫败遗产）的感觉是自杀构思和尝试的重要风险因素。8，9然而，以前已确定为自杀思想和行为相关的社会学和临床因素并没有改善对自杀思想或行为的预测。10因此，需要研究与自杀思想和行为相关的新措施，例如遗传学或区域大脑活动，这些措施已证明在青少年中在这些思想和行为中起作用。11此外，这些研究还没有检验，是否有多种因素的组合，而不是每个风险因素的关联，而是区分有或没有自杀 *联合第一作者的儿童。
癫痫，自杀念头及其复杂关系
AED治疗的不良影响，这种风险仍然相对较低，但不可忽略[10,11]。 涉及AED的临床试验的美国荟萃分析发现，自杀行为或构想的风险约为接受安慰剂的患者的两倍。 具体而言，服用AEDS的患者自杀行为或构想的估计发病率约为0.43％，而接受安慰剂的患者为0.22％。 这对应于0.21个百分点的风险增加，或者每500名接受AEDS治疗的患者的自杀念头或行为大约1例。 尽管相对风险增加了，但绝对风险仍然很低，由于AEDS引起的自杀思想或行为的200名患者中的少于1名[12,13]。 尽管如此，在患有癫痫患者中，必须权衡与AED相关的自杀风险，以与不治疗癫痫发作的风险。 停用AED或拒绝开始进行癫痫发作可能会带来更大的风险，并造成严重的伤害[2,4,8,11,14,15]。AED治疗的不良影响，这种风险仍然相对较低，但不可忽略[10,11]。涉及AED的临床试验的美国荟萃分析发现，自杀行为或构想的风险约为接受安慰剂的患者的两倍。具体而言，服用AEDS的患者自杀行为或构想的估计发病率约为0.43％，而接受安慰剂的患者为0.22％。这对应于0.21个百分点的风险增加，或者每500名接受AEDS治疗的患者的自杀念头或行为大约1例。尽管相对风险增加了，但绝对风险仍然很低，由于AEDS引起的自杀思想或行为的200名患者中的少于1名[12,13]。尽管如此，在患有癫痫患者中，必须权衡与AED相关的自杀风险，以与不治疗癫痫发作的风险。停用AED或拒绝开始进行癫痫发作可能会带来更大的风险，并造成严重的伤害[2,4,8,11,14,15]。
<社会工作的本科生的尖锐构想
在高级社会中存在与自杀有关的社会和文化问题。从专业的角度来看，社会工作者介入为与他们一起工作的人们实现社会福利和健康，而不会免于遭受自杀意念。本研究旨在分析社会工作本科生的自杀念头。通过一种定量方法，在属于西班牙大学的大量学生中分析了这种现象（n = 1005）。在统计研究中，开发了频率分析，跨表分析和二进制逻辑回归，作为参考因素：自杀构想的风险。自杀风险的预测变量是：性别，社会关系类型，在先前阶段的欺凌，抗抑郁药的消费量，COVID-19之后的焦虑增加以及在继续研究中的经济困难。大学不应忽略学生的问题，而应纳入特定的治疗和预防自杀风险的计划，促进有关联合国的优质教育。可持续发展目标。
使用机器学习来检查TBI之后的自杀意念
为了解决传统方法识别自杀风险的局限性，研究普通人群中自杀行为的研究人员呼吁将重点从先验风险因素转变为基于机器学习的算法。14具有大型数据集，机器学习方法提供了几种优势，包括使用可以通过建模变量之间的复杂关联来促进临床意义和概括性的技术，以及自动学习优化预测算法的方法而不是依赖研究人员的先验假设的方法。14,15个机器学习方法在预测异质且罕见发生的结果（即自杀思想和行为）方面可能是有利的，这些结果通常与阶级失衡有关。具体来说，可以与传统的机器学习程序结合实施采样程序，包括缩写，以预测不平衡的结果。Using a combination of surveys, administrative data, and electronic health records, machine learning has shown promise in identifying short- and long-term risk for suicidal behaviors (in non-TBI populations) with greater accuracy than traditional approaches, up to several years before they occur and across a variety of settings, including the US Army, 16,17 Veterans Health Administration, 18 independent health care systems, 15,19,20 and population-wide studies.21,22
年轻人自杀想法和行为与大脑结构变化相关：Enigma 自杀想法和行为联盟的 21 项国际研究结果
Laura S. Van Velzen 1,2✉，Maria R. Dauvermann 3,4,5，Lejla Colic 6,7,8，Luca M. Villa 6,9，Hannah S. Savage 2,10，Yara J. Toenders 1,2，Alyssa H. 17,18，Nerisa Banaj 16，Zeynepba柄19，Jochen Bauer 20，Karina Blair 21，Robert James Blair 21，Kat Schach 24，23，Colm G. Connolly 28，Colm G. Connolly 28 R. Cullen 19，Udo Dannlowski 31，Dam Christopher 31，Janice M. Fullerton 33,34，Ali Saffet Gonul 35，Ian H. Gotlib 36，Dominik Grotegerd 31，Tim Hahn 31，Ben J. Harrison 10 ，42,43，Tilo Kircher 22,23，Bonnie Klimes-Dougan 44，Melissa Klug 31，Elisabeth J. Leehr 31，Elizabeth TC Lippard 45,46,48，笑声McAught，笑声McAught，kane 349，Adam Bryant Miller 51.52。 22.23，Amar Ojha 56.57，Bronwyn J. Overs 33，Julia-Katharina Pfarr，223，Fabrio G. Ring 26。 .23，Giana I.60，Diana Terezilla，160 2，Aslihan Uyar-Demir 35，Nic Ja van der Wee 63,64，Steven J. Van der Werff 63,64,65，Robert RJM RJM Vermeiren 66,67，Alexandra 31，Alexandra 31，Alexandra 31，Mon-Mon-Ju Yand Ju 54,54,54,54,54,54,54,54,54.54,54,54,54，yanny，yand thony Ahanshad 11，Hilary P. Blumberg 6,69,70，Anne-Laura Van Harmelen 3,64,71，Enigma自杀思想和行为财团*和Lianne Schmaal 1,2
青少年自杀意念、自残和自杀企图的治疗
自杀、自杀未遂、自残和自杀意念是年轻人中重大的公共卫生问题。自杀现在是美国 15 至 24 岁青少年和年轻人的第二大死亡原因，参考文献 1 并且与成年人相比，青少年的自杀未遂率明显更高。参考文献 2-3 在年轻人中，自杀意念、自残和自杀未遂比自杀死亡更为常见，并且还与其他几种负面后果有关，例如共病精神障碍、教育和职业成果不佳以及因其他原因导致的过早死亡。参考文献 4 研究表明，青少年时期企图自杀的人接受心理健康治疗、精神疾病诊断和成年自杀的可能性更高。5
在患有耐药性抑郁症的门诊患者样本中自杀企图的危险因素：一项观察性研究
全世界大约3亿人患有严重的抑郁症（MDD）（1）。世界卫生组织（WHO）将MDD识别为残疾负担的主要原因，导致生产力降低，医疗保健费用提高，并且最显着，这是实现实现和丰富生活的障碍（2）。抗抑郁药的出现导致了严重抑郁症治疗的变革转变。不幸的是，大约60％的患者对第一线药理治疗没有足够的反应，而30％的患者对使用各种抗抑郁药的不同试验反应较差（3）。抗抑郁治疗反应的极端变异可能是由于神经生物学和环境因素引起的（4）。耐药性抑郁症（TRD）通常是由于对至少两种类型的抗抑郁药的积极反应而定义的，该抗抑郁药以正确的剂量和合适的持续时间施用（5）。但是，专家们仍然不同意适当剂量和适当的治疗时间（6）的定义，并且尚未达成TRD的共识定义。关于诊断TRD并衡量其结果的最佳工具也几乎没有共识。这些局限性阻碍了比较和总结研究结果的可能性，从而限制了定义临床指南的可能性（7）。几项研究报告说，TRD可能与死亡率增加有关（8、9），尽管样本量很小，随访时间相对较短。一项基于瑞典人群的研究，考虑到118,774名被诊断出患有抑郁症的人报告的TRD患者的总死亡率比MDD患者高1.35倍（10）。增加的速度主要归因于外部原因，包括自杀和事故。对TRD自杀性的系统性审查发现，每100名患者/年的自杀自杀的总体发生率为0.47，每100例患者每年4.66例自杀（95％CI：3.53-6.23）（11）（11）。这些分别是非耐药患者中发现的两倍和十倍：每100名患者每100例（12）的耐药性自杀和0.43例自杀。通常，几项研究指出，有30％的TRD患者有一次或多个自杀企业（13）。在严重抑郁症的背景下，最近处理自杀性的另一项研究（14）发现，与被诊断为MDD的人相比，患有TRD的人的自杀率更高。先前的研究还强调，即使将抑郁症状分为“轻度”，TRD中与自杀相关的死亡率也高于MDD（15，16）。此外，大多数作者强调，几乎从未报道过在冲动，频繁或精心计划中可以分类的自杀尝试的类型（17）。这阻碍了对TRD中观察到的高自杀风险的基本主持人的研究。例如，自杀企图分类为脉冲，可能表明TRD患者的脉冲控制减少或脉冲增加可能对其他治疗有反应。另一个可能的解释是TRD患者可以知道
使用多级静止状态fMRI特征
精神分裂症研究表明，该组中所有死亡原因中多达40％可以归因于自杀（Wildgust等，2010），而25-50％的精神分裂症患者试图在他们的一生中自杀（Bohaterewicz等人，2018年； Cassidy等，2018年）。因此，非常需要开发更准确和客观的方法来预测精神分裂症患者自杀的风险。功能磁共振成像（fMRI）是一种非侵入性，广泛使用的方法，允许一种方法来测量人脑的活性。静止状态（RS）反过来被认为是高度有效的，因为它捕获了大脑总活动的60-80％（Smitha等，2017）。此外，一些研究表明，它允许监测治疗结果以及评估精神疾病的生物标志物（Glover，2011; Moghimi等，2018）。Previous studies indicate gray matter volume reduction in dorsolateral prefrontal cortex (DLPFC), superior temporal gyrus, as well as insular cortex in patients after suicide attempt, compared to the ones without suicide attempt in the past ( Besteher et al., 2016 ; Zhang et al., 2020 ), whereas fMRI studies revealed that during a simple task based on cognitive control, suicide thoughts were associated随着PFC活性的降低和先前的自杀企图的病史导致前皮层的活性降低（Minzenberg等，2014； Potvin等，2018）。体积和功能任务的先前结果fMRI分析表明，默认模式网络（DMN），显着性网络（SN）和Sensorimotor Network（SMN）中包含的区域的潜在静止状态大脑活动变化。近年来，RSFMRI数据的机器学习应用程序越来越多，以进行预后评估并在各个组或条件之间进行差异（Pereira等，2009）。最近，采用了以fMRI为公正的生物标志物的ML分类器来识别从事自杀相关行为的人，包括自杀念头。例如，Just等。（2017）能够正确地识别17名自杀参与者中的15个，灵敏度为0.88，使用高斯幼稚的贝叶斯算法和fMRI数据的特定为0.94。在最近的工作中，Gosnell等人。（2019）使用了随机森林（RF）算法和RSFMRI功能连通性数据，来自精神病患者，使他们能够以81.3％的敏感性正确地对自杀行为进行了分类。据我们所知，先前的研究都没有集中于各种ML分类器，以区分基于RSFMRI数据的健康控制（HCS），自杀风险（SR）和非杀伤性风险（NSR）精神分裂症患者。 在当前的工作中，我们的目标是将ML方法与RSFMRI数据相结合，以便研究所选的分类器是否允许在具有和没有自杀风险的精神分裂症患者之间进行分歧。 最终，执行了五种算法，例如梯度提升（GB），最小绝对收缩和选择操作员（LASSO），Logistic回归（LR），RF和支持向量机（SVM），以提高诊断准确性的可靠性。 每个指标礼物据我们所知，先前的研究都没有集中于各种ML分类器，以区分基于RSFMRI数据的健康控制（HCS），自杀风险（SR）和非杀伤性风险（NSR）精神分裂症患者。在当前的工作中，我们的目标是将ML方法与RSFMRI数据相结合，以便研究所选的分类器是否允许在具有和没有自杀风险的精神分裂症患者之间进行分歧。最终，执行了五种算法，例如梯度提升（GB），最小绝对收缩和选择操作员（LASSO），Logistic回归（LR），RF和支持向量机（SVM），以提高诊断准确性的可靠性。每个指标礼物