世界杯下注网站-2022世界杯下注网站
使自杀风险预测模型更复杂并不一定意味着它们会做得更好. 这是最大的收获 一项新世界杯下注网站 由凯撒永久华盛顿健康世界杯下注网站所(KPWHRI)的世界杯下注网站人员领导，并发表在 npj数字医学. 这项世界杯下注网站比较了5种不同模型的表现，这些模型是用来识别病人自杀行为的风险的. 一个集成模型(不同模型类型的组合)比其他被测试的模型给出稍好的结果, 但是，与一个简单得多的逻辑回归模型相比，改进很小.
“世界杯下注网站结果表明，添加大量额外的信息，比如预测器的时间, 抑郁症诊断发生多久了?使用更复杂的机器学习方法并没有显著提高算法的性能,” 苏珊·肖特里德博士他是该世界杯下注网站的主要作者，也是KPWHRI的高级生物统计世界杯下注网站员. “对于目前在临床护理中使用较小模型或对实施此类模型感兴趣的医疗机构来说，这是一个好消息."
旨在帮助预测自杀企图的模型从电子健康记录和患者自我报告问卷的回答中获取信息, 然后使用不同类型的算法来估计自杀风险. 当建立模型时, 世界杯下注网站人员通常会仔细考虑他们需要哪些数据，以及算法应该允许探索哪些不同的模式来进行预测.
在这项世界杯下注网站中，世界杯下注网站人员比较了5种模型(见 测试的模型类型 要了解更多):
预测指标包括处方填充物等信息, 保健访问, 以及心理健康诊断的时间和频率. 世界杯下注网站人员使用了来自7个不同医疗机构的2500多万次医疗访问的数据来训练模型，并评估它们在患者就诊后30天和90天内预测自杀企图风险的效果.
集合模型在5个模型中表现最好，但差异较小. 模型性能的一个常用度量是“曲线下面积”,，这基本上衡量了模型对个体的排名, 经历过结果的人比没有经历过结果的人有更高的预测概率的频率是多少. 曲线下面积为0.50比1，其中测量值为0.5 .模特的表现不比抛硬币好, 而1代表完美的预测. 所有测试的模型在曲线下的面积都大于0.79, 而集成模型的曲线下面积相对于先前开发的logistic回归模型的改善仅为0.006 to 0.020. 所有模型的表现模式在按种族划分的子组中是一致的, 种族, 和性, 在后续的两个时间段.
小排量车型, 预测者更少, 是否更容易实现，因为它们使用较少的计算能力，并且不太可能减慢电子健康记录系统的速度. 它们也可以更直接地向临床医生解释, 当他们依靠结果来告知患者后续治疗时，谁想了解模型是如何工作的. 世界杯下注网站人员写道，透明度和信任是在医疗保健环境中成功使用风险模型的重要因素.
“减少致命和非致命的自残是公共卫生的关键优先事项，”肖特里德说. “模型在识别风险方面比单独的自我报告调查做得更好，因此可以成为提供自杀预防项目的非常有用的工具。, 但重要的是要了解与它们的实现和使用相关的成本和收益. 我们就越能与临床医生分享我们的期望以及如何解释这些模型的结果, 它们就越有可能被有效杠杆化."
正如世界杯下注网站人员 之前指出风险模型的设计并不是为了取代医生或心理健康专家的评估. 目前, 临床护理中使用的自杀风险模型是一种补充工具, 提醒提供者对患者进行额外评估并指导循证干预. 如果使用模型预测来告知强制护理措施，则有可能出现错误和伤害, 比如非自愿精神病拘留. 使用模型信息的卫生保健组织还需要考虑到危害和益处可能因人群而异. 例如, 警察进行的福利或健康检查并不是对每个人都有利的措施，而且可能对那些在与警察的互动中表现出不成比例的负面影响的群体造成额外的伤害.
Shortreed补充说，在建立模型时，对预测者的选择进行策划是影响模型表现的一个重要因素. 投入时间和专业知识来决定使用哪些预测因子, 并且有能力向临床医生解释为什么选择这些预测因子, 能产生更可靠、更广泛使用的更强大的模型吗.
KPWHRI世界杯下注网站的其他合作者是罗德·沃克, 埃里克•约翰逊, 罗伯特Wellman, Maricela克鲁兹, 丽贝卡Ziebell, 耶茨绿青鳕, 罗伯特Penfold, 和格雷戈里·西蒙.
逻辑回归 回归方法是否设计用于预测仅取0值的结果(例如, 没有观察到自我伤害)或1(例如, 自残观察到). 回归是描述预测因子和结果之间关系的最常用的分析方法. 回归模型很简单, 正如回归方程用数学方程表示直线一样, 用加法和乘法等基本数学函数计算哪个更容易. 但这种简单性可能会使风险因素和结果之间的复杂关系难以解释.
随机森林 一组分析决策树的平均预测. 分析决策树将数据分成具有相似预测因子和结果值的组(例如, 大多数人在拜访后都会自残。. 随机森林由许多树组成，以尝试捕获预测器之间的复杂关系(例如, 抑郁症状)和结果(例如, 自残). 更复杂的树可以通过将数据划分为更多的变量来创建, 产生了许多小群体. 随机森林可以用来学习比逻辑回归更复杂的关系, 但代价是透明度(没有简单的公式或随机森林的可视化)和预测速度(通常比逻辑回归慢)。.
An 人工神经网络 回归模型序列是否具有许多预测因子. 而不是直接预测结果, 该算法创建预测器的组合(例如, 将许多预测因子相乘). 然后在不同的回归模型中使用预测器组合来预测结果. 人工神经网络可以用来学习比随机森林更复杂的关系，但很难准确估计，因为这些“层”的估计(他们通常需要很多时间来估计)。. 除了组合预测因子与结果之间的关系外，学习预测因子的最佳组合还需要大量的信息.
Amelia Apfel著
