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

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。

May, 2016

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

本文综合介绍和讨论了自杀意向检测的临床方法和基于机器学习的自动检测方法，以问卷、电子健康记录、自杀笔记和在线用户内容为数据源，引入和总结了几个具体的任务和数据集，总结了现有工作的局限性，并展望了未来的研究方向。

Oct, 2019

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

社交媒体对传统沟通技术进行了革命性改变，通过使人们能够即时、公开和频繁地进行全球连接。人们使用社交媒体分享个人故事和表达他们的意见。负面情绪，例如对死亡、自残和困难的思考在社交媒体上普遍存在，尤其是在年轻一代中。因此，利用社交媒体来检测自杀思维将有助于提供适当的干预，从而最终阻止他人自残和自杀，并阻止自杀观念在社交媒体上的传播。为了自动检测阿拉伯推文中的自杀思维，我们开发了一个新颖的阿拉伯自杀推文数据集，检查了几种机器学习模型，包括朴素贝叶斯，支持向量机，最近邻居，随机森林和 XGBoost，使用单词频率和单词嵌入特征训练，并研究了面向阿拉伯推文的预训练深度学习模型 AraBert，AraELECTRA 和 AraGPT2 的能力来识别阿拉伯推文中的自杀思维。结果表明，SVM 和 RF 模型在机器学习模型中效果最好，使用字符 n-gram 特征进行训练，准确率达到 86％，F1 分数为 79％。深度学习模型的结果显示，AraBert 模型优于其他机器学习和深度学习模型，在阿拉伯推文数据集中实现了 91％的准确率和 88％的 F1 分数，显着提高了阿拉伯推文中自杀观念的检测能力。据我们所知，这是首个从 Twitter 上开发阿拉伯自杀检测数据集并使用深度学习方法检测阿拉伯帖子中自杀意识的研究。

Sep, 2023

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

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

本文收集了 24 项关于使用机器学习算法在社交媒体上检测自杀意图的研究，旨在为进一步研究提供帮助，并为从事自杀文本分类的研究人员提供有益资源。

Jan, 2022

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