基于机器学习的非自杀性预测因子识别大学生自杀意念：跨诊断模型构建与验证

本研究针对自杀预测中传统工具难以捕捉复杂心理因素交互作用的难题，Ko?大学团队通过机器学习（ML）分析924名大学生的心理健康数据，构建了不依赖自杀史指标的预测模型。研究采用逻辑回归和神经网络等7种算法，基于DSM-5 SRL1量表13个精神症状子域，实现自杀意念预测AUC达0.80，外部验证AUC 0.79。关键发现包括人格功能（Personality Functioning）和抑郁情绪正向预测风险，而焦虑与重复思维呈负相关。该研究为隐蔽性自杀风险筛查提供了跨诊断新范式，对高校心理健康服务具有重要实践价值。

　　

每年全球有超过70万人死于自杀，其中20-29岁青年占比高达27%。尽管精神障碍与自杀密切相关，但传统评估工具如ASQ（Ask Suicide-Screening Questions）和C-SSRS（Columbia-Suicide Severity Rating Scale）仅能提供瞬时风险评估，无法揭示潜在的心理机制。更棘手的是， stigma（污名化）导致40%的高危个体隐瞒自杀念头，使得早期干预困难重重。在此背景下，Ko?大学神经科学团队开展了一项创新研究，试图通过机器学习破解这一难题——能否不依赖敏感的自杀史指标，仅用常规精神症状数据实现精准预测？

研究团队收集了该校心理治疗中心2019-2022年间924名求诊学生（平均23.5岁，66%女性）的DSM-5自评量表（DSM-5 Self-Rated Level 1 Cross-Cutting Symptom Measure）等32项心理指标，以PHQ-9（Patient Health Questionnaire-9）第9项"希望自己死去或自伤的想法"作为金标准，构建了三阶段预测模型。关键技术包括：1）采用贝叶斯优化超参数的7种ML算法（含KNN、SVM、MLP神经网络）；2）通过SHAP（SHapley Additive exPlanations）和积分梯度法解析特征贡献度；3）使用2023年新增的361人队列进行外部验证。

模型优化与验证结果显示：精简后的第三模型仅用13个DSM-5 SRL1子域即达到最佳性能。其中MLP神经网络在训练集和验证集的AUC分别达0.80和0.79。令人意外的是，人格功能（含自我认同和人际关系障碍）的SHAP值最高，每增加1单位使风险概率提升23%；而焦虑症状却显示保护效应——这与经典理论相悖，研究者推测可能源于躯体性焦虑对冲动行为的抑制作用。重复思维（对应强迫症维度）同样呈现负相关，支持既往关于强迫特质可能降低自杀风险的研究结论。

在讨论环节，作者指出该研究有三大突破：首先，首次证明无需自杀相关条目也能实现良好预测（AUC>0.75），解决了临床敏感问题筛查的伦理困境；其次，特征可解释性分析揭示了人格功能这一非传统风险因子的核心地位；最后，模型成功预测了DSM-5 SRL1第11项自伤意念（AUC 0.78），证实其泛化能力。不过研究也存在局限，如样本仅来自土耳其高校，且未纳入社会应激等环境因素。未来可结合fMRI（功能性磁共振成像）等生物标志物进一步提升精度。

这项发表于《Scientific Reports》的研究为自杀预防提供了新思路：通过常规心理评估中的"数字指纹"， clinicians（临床医师）能更早识别那些不愿坦露心声的高危学生。正如通讯作者Hale Yapici Eser强调的，当抑郁大学生抱怨"找不到人生目标"时，这可能比直接询问自杀史更能预警风险。该成果对全球高校心理健康服务体系优化具有重要启示。