精神病人

机器学习和精神病人群自杀预测：系统综述

机器学习 (ML) 已成为增强自杀预测的有前途的工具。然而，由于许多大样本研究混合了精神病和非精神病人群，正式的精神病诊断成为自杀风险的有力预测因素，掩盖了特定于不同人群的更微妙的风险因素。为了克服这一限制，我们对专门在精神病临床人群中评估自杀行为的 ML 研究进行了系统回顾。从一开始到 2022 年 11 月 17 日，按照 PRISMA 指南在 PubMed、EMBASE 和 Scopus 上进行了系统文献检索。包括使用 ML 技术评估精神病人群自杀风险或预测自杀企图的原始研究。使用多变量预测模型个人预后或诊断 (TRIPOD) 指南的透明报告进行偏差风险评估。检索到约 1032 项研究，其中 81 项符合纳入标准并被纳入定性综合。临床和人口统计特征是最常用的，直接比较时，随机森林、支持向量机和卷积神经网络在准确性方面比其他算法表现更好。尽管程序存在异质性，但大多数研究报告的准确率为 70% 或更高，这些准确率基于先前尝试、疾病严重程度和药物治疗等特征。尽管报告的证据很有希望，但用于自杀预测的 ML 算法仍然存在局限性，包括缺乏神经生物学和成像数据以及缺乏外部验证样本。克服这些问题可能会导致开发出可用于临床实践的模型。有必要开展进一步研究，以推动可能对自杀死亡率产生重大影响的领域的发展。