[论文解读] Predicting Adolescent Suicide Attempts with Neural Networks

Harish S. Bhat, Sidra Goldman‐Mellor|arXiv (Cornell University)|Nov 28, 2017

Suicide and Self-Harm Studies参考文献 15被引用 17

一句话总结

本研究利用来自522,056名加利福尼亚州青少年（2006–2009年）的电子健康记录，开发深度神经网络以预测2010年的自杀未遂事件，对于有五次或以上急诊/住院就诊史的患者，其敏感度为0.703，特异度为0.980，曲线下面积（AUC）为0.958。这是首次在无先前精神健康限制的广泛、未筛选人群中应用深度学习进行此类预测。

ABSTRACT

Though suicide is a major public health problem in the US, machine learning methods are not commonly used to predict an individual's risk of attempting/committing suicide. In the present work, starting with an anonymized collection of electronic health records for 522,056 unique, California-resident adolescents, we develop neural network models to predict suicide attempts. We frame the problem as a binary classification problem in which we use a patient's data from 2006-2009 to predict either the presence (1) or absence (0) of a suicide attempt in 2010. After addressing issues such as severely imbalanced classes and the variable length of a patient's history, we build neural networks with depths varying from two to eight hidden layers. For test set observations where we have at least five ED/hospital visits' worth of data on a patient, our depth-4 model achieves a sensitivity of 0.703, specificity of 0.980, and AUC of 0.958.

研究动机与目标

• 利用真实世界电子健康记录中的机器学习技术，改进青少年自杀未遂事件的预测能力。
• 解决电子健康记录数据中类别不平衡与可变长度患者病史在自杀风险建模中的问题。
• 开发一种可扩展、可泛化的模型，适用于所有青少年，而不仅限于已有精神疾病诊断者。
• 评估深度神经网络在该临床预测任务中是否优于传统统计方法与机器学习模型。

提出的方法

• 使用2006–2010年间加利福尼亚州急诊与住院记录的匿名数据，覆盖522,056名10–19岁青少年。
• 将预测任务建模为二分类问题：若2010年发生自杀未遂（E950.0–E959.x），则标签为1，否则为0。
• 对分类预测变量应用独热编码，并对就诊级别的CCS诊断代码进行处理以作为输入。
• 训练具有2、4和8个隐藏层的深度前馈神经网络，对输入进行归一化，并应用dropout进行正则化。
• 在按既往就诊次数和既往诊断代码（如自伤、情绪障碍）分层的测试集上评估模型性能。
• 使用标准指标：敏感度、特异度、精确度与曲线下面积（AUC），其中阳性类别定义为自杀未遂。

实验结果

研究问题

• RQ1 仅使用标准电子健康记录数据且无先前精神健康限制的情况下，深度神经网络能否有效预测青少年自杀未遂事件？
• RQ2 患者在训练窗口期内的医疗史长度如何影响模型性能？
• RQ3 当模型基于已知高风险诊断代码（如自伤或情绪障碍）进行条件预测时，其表现如何？
• RQ4 神经网络在此情境下能否优于传统机器学习方法与临床医生的预测？
• RQ5 类别不平衡与可变就诊频率对自杀风险预测中模型泛化能力有何影响？

主要发现

• 对于2006–2009年间有至少五次急诊/住院就诊史的患者，深度为4的神经网络实现了0.703的敏感度、0.980的特异度以及0.958的AUC。
• 随着历史数据量的增加，模型性能显著提升，对于有五次或以上就诊史的患者，AUC达到0.958。
• 对于有既往自伤史（CCS 662）或精神病性障碍（CCS 659）的患者，敏感度（如0.841）与精确度（如0.714）显著提高。
• 深度为8的模型表现出最高的敏感度（0.735），但特异度较低（0.965），表明召回率与精确度之间存在权衡。
• 该模型在AUC与平衡指标方面优于以往的机器学习方法（如Tran等人[25]），尽管在敏感度或精确度方面未超越Walsh等人[26]。
• 本研究证明，深度学习可在无需文本记录或精神健康评估的情况下，实现在大规模真实世界电子健康记录数据上的高性能预测。