人工智能可能会在未来改善自杀预防

任何生命的丧失都可能是毁灭性的，但自杀造成的生命损失尤其悲惨。

每天大约有9名澳大利亚人自杀，自杀是15岁至44岁澳大利亚人死亡的主要原因。自杀企图更为常见，据估计，自杀企图的发生率高达死亡企图的30倍。

“自杀会产生很大的影响。它影响了许多人，对家庭、朋友和社区产生了深远的影响，”新南威尔士大学悉尼分校黑狗研究所精神病学博士候选人凯伦·库苏马说，她研究青少年的自杀预防。

Kusuma女士和来自黑狗研究所(Black Dog Institute)和健康大数据研究中心(Center for Big Data Research in Health)的一组研究人员最近调查了机器学习模型的证据基础及其预测未来自杀行为和想法的能力。他们评估了54种机器学习算法的性能，这些算法是由研究人员先前开发的，用于预测与自杀相关的结果，如构思、企图和死亡。

这项荟萃分析发表在精神病学研究杂志他们发现，机器学习模型在预测自杀相关结果方面优于传统的风险预测模型，而传统的风险预测模型表现不佳。

“总的来说，研究结果表明，有一个初步但令人信服的证据基础，即机器学习可以用于预测未来与自杀相关的结果，表现非常好，”Kusuma女士说。

传统的自杀风险评估模型

识别有自杀风险的个体对于预防和管理自杀行为至关重要。然而，风险预测是困难的。

在急诊科，风险评估工具，如问卷调查和评分量表，通常被临床医生用于确定自杀风险升高的患者。然而，有证据表明，它们在准确预测方面是无效的自杀风险在实践中。

库苏马女士说:“虽然有一些与自杀企图有关的共同因素，但一个人的风险在另一个人身上可能有很大的不同。”“但自杀是复杂的，有许多动态因素，很难用这种评估过程来评估风险概况。”

一项对昆士兰州自杀身亡者的尸检分析发现，在接受正式自杀风险评估的人中，75%被归为低风险，没有人被归为高风险。之前的研究检查了过去50年的定量自杀风险预测模型，也发现它们在预测未来自杀风险方面只比概率略好。

“在包括澳大利亚在内的世界许多地方，自杀是造成多年寿命损失的主要原因。但是自杀风险评估的方法最近还没有发展起来，我们也没有看到自杀死亡率的大幅下降。在某些年份，我们看到了增长，”Kusuma女士说。

尽管缺乏支持传统自杀风险评估的证据，它们的管理仍然是医疗保健机构的标准做法，以确定病人的护理和支持水平。那些被确定为高风险的人通常会得到最高级别的护理，而那些被确定为低风险的人则会出院。

“不幸的是，使用这种方法，高层次的干预措施并没有提供给真正需要帮助的人。因此，我们必须改革这一过程，探索改善自杀预防的方法，”Kusuma女士说。

机器学习自杀筛查

Kusuma女士说，需要在自杀学方面进行更多的创新，并重新评估标准的自杀风险预测模型。改善风险预测的努力使她的研究成果得以应用人工智能(AI)来开发自杀风险算法。

库苏马女士说:“拥有比临床医生接收更多数据的人工智能，就能更好地识别出哪些模式与自杀风险有关。”

在荟萃分析研究中，机器学习模型优于传统临床、理论和统计自杀风险预测模型设定的基准。他们正确预测了66%会经历自杀结果的人，正确预测了87%不会经历自杀结果的人。

“与传统预测模型相比，机器学习模型可以很好地预测自杀死亡，并可能成为传统预测模型的高效替代品风险评估Kusuma女士说。

传统统计模型的严格假设并不能绑定机器学习模型。相反，它们可以灵活地应用于大型数据集，以模拟许多风险因素和自杀结果之间的复杂关系。它们还可以结合响应性数据源，包括社交媒体，以确定自杀风险的峰值，并标记最需要干预的时间。

库苏马女士说:“随着时间的推移，机器学习模型可以配置为接受更复杂和更大的数据，以更好地识别与自杀风险相关的模式。”

使用机器学习算法来预测与自杀相关的结果仍然是一个新兴的研究领域，80%的已确定的研究都是在过去五年发表的。Kusuma女士表示，未来的研究还将有助于解决迄今为止在算法模型中发现的聚合偏差风险。

“需要更多的研究来改进和验证这些算法，这将有助于推进机器学习在自杀学中，”库苏马女士说。“虽然我们离在临床环境中实施还有一段路要走，但研究表明，这是未来提高自杀风险筛查准确性的一个很有前途的途径。”