基于机器学习以执行功能建立重度抑郁症自杀风险预测模型

摘要

目的 本研究旨在探究执行功能和重度抑郁症（Major depressive disorder,MDD）自杀的关系，并利用MDD患者的执行功能基于机器学习算法开发自杀风险预测模型。方法 研究对象包括51名MDD自杀者，55名MDD非自杀者和100名健康对照者。执行功能采用N-BACK任务、情感转移任务（Affective shifting task,AST）、爱德华州赌博任务（Iowa gambling task,IGT）测量。方差分析比较三组执行功能差异。利用极端梯度提升（Extreme gradient boosting,XGBoost）分类算法构建预测模型，将预测性能及曲线下面积（Area under the curve,AUC）进行比较，局部解释技术评估特征的相对重要性。结果 三组在更新功能（P<0.001）、抑制功能（P=0.009）、转移功能（P<0.001）及决策功能（P<0.001）存在组间差异。MDD自杀组在抑制功能（P=0.013）和转移功能（P=0.023）比MDD非自杀组更差。利用综合数据构建了一个性能更优的自杀预测模型，执行功能可以提高预测模型的特异性、敏感性、准确性、F1分数及曲线下面积。结论 本研究发现执行功能是自杀的重要危险因素。在预测自杀企图的模型中，利用综合的数据可以提高模型分类性能。可解释的模型能提高预测结果可信度，有助于早期干预。

关键词

自杀 / 重度抑郁症 / 执行功能 / 机器学习