随机机器学习方法评估冗余数据：从行政记录和风险评估中预测短期和中期自杀风险

May, 2016

随机机器学习方法评估冗余数据：从行政记录和风险评估中预测短期和中期自杀风险

An evaluation of randomized machine learning methods for redundant data: Predicting short and medium-term suicide risk from administrative records and risk assessments

PDF

Thuong Nguyen, Truyen Tran, Shivapratap Gopakumar, Dinh Phung, Svetha Venkatesh

TL;DR通过比较临床判断和随机机器学习模型的预测效果，我们研究了三种最有效的随机机器学习技术（随机森林，梯度提升机和带有中断的深度神经网络）在预测阿瑟灵危险因素方面的效力。

Abstract

Accurate prediction of suicide risk in mental health patients remains an open problem. Existing methods including clinician judgments have acceptable sensitivity, but yield many false positives. Exploiting admini

suicide risk mental health machine learning predictive performance clinical judgments

发现论文，激发创造

利用电子健康记录自动预测精神疾病患者的死亡

使用预测性机器学习模型和电子健康记录来预测心理诊断患者的死亡率所带来的持久挑战，机器学习算法（逻辑回归、随机森林、支持向量机和 k 近邻）的结果表明随机森林和支持向量机模型优于其他模型，AUC 得分为 0.911，药物处方，尤其是硫酸吗啡在预测中起到关键作用。这项研究可用于帮助医院工作人员识别有风险的患者，减少过度死亡。

Oct, 2023

可解释人工智能在自杀风险评估上的分析与评估

本研究探讨了可解释的人工智能（XAI）技术在预测自杀风险和识别主要原因方面的有效性。通过数据扩充技术和机器学习模型进行预测，并利用 SHapley 加性解释方法和相关性分析来排名预测变量的重要性。实验结果表明，决策树（DT）、随机森林（RF）和极端梯度提升（XGBoost）模型取得了最佳结果，其中 DT 具有最高的准确率（95.23%）和曲线下面积（0.95）。根据 SHAP 结果，愤怒问题、抑郁和社交孤立是预测自杀风险的主要变量，而拥有良好收入、受人尊敬的职业和大学教育背景的患者具有最低的风险。结果表明，机器学习和 XAI 框架对于自杀风险预测具有有效性，可以帮助精神科医生理解人类复杂行为，并可协助可靠的临床决策。

Mar, 2023

利用儿童创伤、心理健康问卷和机器学习级联集成预测印度成年人的自杀行为

使用机器学习算法和集成，基于童年创伤、不同心理健康参数和其他行为因素，本研究开发了不同的机器学习算法和集成，以预测自杀行为。

Jan, 2024

使用神经网络预测青少年自杀尝试

本文利用深度神经网络模型，通过机器学习方法处理现有的电子健康记录，在 522,056 个加州青少年的历史记录数据中，预测出其在 2010 年是否有自杀未遂行为（二元分类问题），并取得了敏感度为 0.703，特异度为 0.980 和 AUC 为 0.958 的良好预测效果。

Nov, 2017

使用随机效应机器学习算法识别抑郁易感性

通过使用机器学习方法来确定可以最好地识别处于抑郁症高风险亚组的变量，本研究阐明了重复效应 / 期望最大化（RE-EM）树和混合效应随机森林（MERF）等数据驱动的机器学习（ML）方法可靠性地预测未来和现在的抑郁症状，并已确定哀愁、负性生活事件、负性认知风格和感知控制是未来抑郁水平的最相关预测因子。

Jul, 2023

使用深度学习进行自杀意念检测的定量和定性分析

本文研究了如何使用深度学习算法来检测社交媒体上的自杀意念，并评估了不同数据集和深度学习模型的性能。研究证实，使用深度学习对社交媒体上的自杀意念检测效果较好，但其表现高度依赖于数据集的质量。

Jun, 2022

乳腺癌风险因素分析和生存预测的监督式机器学习

利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

Apr, 2023

从社交媒体帖子中预测自杀行为的学习模型

提出深度学习架构并测试其他 3 种机器学习模型，使用 CLPsych 2021 共享任务中提供的社交媒体帖子数据自动检测将在 30 天和 6 个月内尝试自杀的个体；此外，基于自杀的三阶段理论和先前有关情绪和代词使用的工作，创建和提取三组手工制作的自杀风险检测特征，实验结果表明，一些传统的机器学习方法在子任务 1（预测自杀尝试 30 天前）上的 F1 得分为 0.741，F2 得分为 0.833，超过基线；然而，所提出的深度学习方法在子任务 2（预测 6 个月前的自杀）上的 F1 得分为 0.737，F2 得分为 0.843，超过基线。

Apr, 2021

基于社交媒体实时流数据的预测自杀意念的大数据分析系统

通过使用大数据架构，本研究提出了一种基于在线社交媒体平台的实用分析方法，用于预测自杀意念。实验结果显示，采用 (Unigram + Bigram) + CV-IDF 特征提取方法和 MLP 分类器对自杀意念进行分类的性能较高，准确率为 93.47%。

Mar, 2024

有关领域的角色：自杀风险评估的弱监督方法

研究表明，社交媒体成为自杀意念研究和自杀风险评估的有价值的资源。在众多社交媒体平台中，匿名性和基于主题的社群（子版块）使得 Reddit 成为最有希望的研究平台，而弱监督方法中使用志愿标记数据的小样本是现有方法面临的挑战。我们提出了一个用多个类别的弱监督方法的实证调查，并证明基于心理健康相关问题（例如，焦虑，抑郁症）的伪标签可以帮助提高自杀风险评估模型的性能。

Jun, 2021