Schizophrenia Bulletin：多模态数据 + 机器学习早期青少年自杀企图预测模型的跨领域突破

青少年自杀已成为美国十大死因之一，尤其近年来黑人青少年自杀率显著上升，但临床预测工具的发展仍面临挑战。自杀行为受多种因素影响，包括精神症状、神经认知功能和社会环境等，但现有研究多聚焦于单一领域，且缺乏对早期青少年（11岁左右）数据的长期追踪。本研究创新性地整合了临床、神经认知和地理编码邻里环境等多模态数据，利用机器学习算法预测青少年中期（16-17岁）的自杀企图，旨在填补这一临床空白。

研究基于费城神经发育队列（PNC）的1419名青少年数据（平均基线年龄11.1岁，51.4%为黑人），收集了六大领域的193项特征，包括人口统计学、临床症状（如抑郁、精神病性症状）、创伤经历、神经认知测试表现（如面部记忆、情绪识别速度）、家庭因素（如父母离异）及邻里环境（如家庭收入中位数、社区空置率）。通过三种特征选择算法（Lasso回归、Relief和随机森林）筛选关键预测因子，并采用岭回归模型在初级保健诊所样本（n=922）中训练，随后在急诊科样本（n=497）中独立验证。

结果显示，在初级保健样本中，基于特征子集的模型预测性能优异，最高AUC达0.75（敏感度0.76，特异度0.77），优于使用全部特征的模型（AUC=0.70）。最重要的预测因子包括基线自杀意念（临床领域）、情绪识别速度（神经认知领域）和社区收入中位数（地理编码领域）。值得注意的是，除自杀意念外，精神病或躁狂谱系症状（如“感觉他人难以理解自己”）也成为高排名临床预测因子。在急诊科样本的外部验证中，Lasso筛选的7个特征子集表现最佳（AUC=0.74），表明模型具有良好的跨场景泛化能力。敏感性分析显示，即使排除基线自杀意念或采用非插补数据，模型性能仍保持稳定（AUC≈0.70-0.72）。

图1：预测流程的示意图

本研究证实，通过早期青少年单时间点的多模态数据可有效预测未来自杀企图，且神经认知和地理编码等非传统临床数据具有重要贡献。例如，面部记忆准确性和社区经济状况等指标为预测提供了新视角。研究局限性包括样本局限于单一地区、预测模型未涵盖变量间交互作用等，但其创新性在于覆盖了50%以上黑人群体，并提出了可整合至电子健康记录的实用指标（如简短神经认知测试）。未来需进一步扩大样本并探索算法在临床实践中的可接受性，以推动青少年自杀预防的精准化。

原始出处：

Visoki, E., Moore, T. M., Ruiz, V. M., et al. (2025). Prediction of Adolescent Suicide Attempt by Integrating Clinical, Neurocognitive and Geocoded Neighborhood Environment Data. *Schizophrenia Bulletin*. https://doi.org/10.1093/schbul/sbaf064