用于抑郁青少年短期自杀风险分层的概念验证机器学习模型

这对家庭和照护者的重要性

自杀是抑郁症青少年和年轻成人面临的最令人恐惧的风险之一。家庭和临床医生常常难以判断谁处于即时危险中、谁在治疗后相对安全。本研究探讨了基于计算机的模式识别——即机器学习——是否能快速将年轻患者按短期风险分层，从而为需要更多随访的人提供更紧密的监护。

治疗后对年轻人的更深入观察

研究追踪了来自中国的602名青少年和青年（15至24岁），他们均在医院和门诊接受抑郁障碍的治疗。在治疗后的30天内，研究团队检查了每个人是否发生了自杀未遂。在就诊过程中，患者填写了大量有关情绪、焦虑、睡眠、压力、自残史、家庭背景和日常功能的问卷与访谈，临床医生记录了住院或门诊状态、用药等医疗细节。这些丰富的信息拼凑出每位患者在接受治疗时的生活与症状的详细图景。

教电脑识别隐藏模式

研究者随后训练了几类机器学习模型来预测谁会在治疗后一个月内尝试自杀。他们为模型提供了每位患者102项不同的信息，并将样本分为用于训练的大部分患者和用于检验模型在新病例上表现的较小保留组。团队并未追求原始的复杂性，而是侧重于使模型更简单、降低其对数据中随机噪声的拟合风险的方法。

模型能做与不能做的事

在测试的七种方法中，两种相对简单的方法——支持向量机和弹性网回归——表现最佳。当将它们合并为单一的集成模型时，模型在区分高风险和低风险患者方面表现出较强能力。模型尤其擅长识别一个小的亚组，大约每十名患者中有一名，其尝试自杀的风险比其他人大数倍。同时，模型在排除近期危险方面比准确识别谁会实施自伤更可靠，这意味着许多被标记为高风险的人仍然不会对自己造成伤害。

日常生活中突出的信号

研究还揭示了哪些类型的信息对计算机决策最重要。有些因素是固定的，如性别、受教育程度或家庭中普遍的精神疾病史；另一些则是可改变的并与日常生活密切相关：抑郁的严重程度、是否饮酒、按时服药的情况、沉溺于负性想法的程度，以及家庭关系的亲密与支持力度。不同算法强调的细节略有差异，但都一致认为当前抑郁严重度是核心，这强化了积极治疗症状和支持健康生活方式的重要性。

局限与后续方向

尽管结果有希望，作者强调他们的模型尚不足以单独用于临床决策。研究中仅发生了30例自杀未遂，这使得任何模型都较为脆弱，且所有参与者均来自同一国家并多来自相似的临床场景。模型仅在18个月内进行测试，因此随着治疗实践和社会压力的变化，其长期适用性尚不明确。因此，这项工作应被视为概念验证：它表明将详细的临床与生活信息与经过谨慎选择的机器学习方法结合，能够在短期内有意义地对年轻患者进行自杀风险分层，并指向一些具体且可干预的领域——例如抑郁严重度、饮酒、用药习惯和家庭关系——在这些方面提供有针对性的支持可能有助于让脆弱的青少年更安全。

引用: Sun, B., Zhang, J., Ma, Y. et al. A proof-of-concept machine learning model for short-term suicide risk stratification in depressed youth. Transl Psychiatry 16, 187 (2026). https://doi.org/10.1038/s41398-026-03944-4

关键词: 青少年抑郁, 自杀风险, 机器学习, 风险预测, 心理健康筛查