评估模型在预测自杀企图风险方面的泛化能力：传统机器学习方法与深度学习方法

《npj Mental Health Research》：Evaluating model generalizability for suicide attempt risk prediction: traditional machine vs deep learning

　　

摘要

自杀仍然是美国的主要死亡原因之一，也是重大的公共卫生问题。大多数（83%）自杀者在前365天内曾就诊于医疗机构，这为利用医疗数据开展基于人工智能的干预措施提供了独特的机会。虽然之前的研究应用了机器学习（ML）来分析医疗记录以预测自杀企图风险（SARP），但这些研究缺乏外部验证。此外，深度学习（DL）在处理表格化数据时的优势尚未得到充分研究。我们使用超过75万份UMass Memorial Health患者的医疗记录，对来自心理健康研究网络（Mental Health Research Network）的先进SARP模型进行了外部验证。我们还比较了机器学习和深度学习在医疗数据泛化能力方面的表现。研究发现，现有模型的泛化能力较弱；在大多数评估指标上，机器学习的性能显著优于深度学习，且深度学习在敏感性方面表现更好。这些发现凸显了开发适用于多种医疗环境的稳健、通用性强SARP模型的必要性，以更好地识别有风险的人群。