图片来源：Psychiatry.org - Hom

 

今日话题

利用计算机语音和语言特征在精神科住院患者和门诊患者中预测自杀意念和自杀企图

 

背景：据估计，2021年美国有170万人尝试自杀，其中抑郁症是导致自杀意念或企图的最常见诊断的精神疾病。自杀意念（SI）是自杀企图（SA）的强烈预测因子，因此检测SI的指标可能对识别冒自杀企图风险的个体至关重要。机器学习和人工智能在发现增加自杀风险方面具有潜力，可以帮助已建立的临床评估。这可能使临床医生在关键时刻提供挽救生命的干预。语音和语言可能是自杀思想和行为的预测因素，因为言语和词汇选择的变化可能表现为增加的自杀风险的标记。利用机器学习，现有文献已从书面文件中提取语音特征以确定风险（例如社交媒体帖子）。这项新颖的研究旨在从音频录制的语音中提取自然语言处理（NLP）特征，并使用这些特征在机器学习框架中预测SI和SA。

 

方法：从住院和门诊精神科设置中招募了患有重度抑郁症和/或边缘人格障碍的参与者（N = 229），并要求他们对几种语言评估做出回应（例如段落阅读图片描述开放式问题）。从音频样本中提取了NLP语音特征。这些特征与在评估时采集的哥伦比亚自杀严重程度评分量表（CSSRS）的自我报告分数以及最近SA的二进制分数一起编制。在变量减少技术后，两个预测模型分别针对在评估时的SI（根据CSSRS）和最近SA（根据自我报告和电子病历）进行了训练。两个模型在80/20拆分后进行了验证。

 

结果：我们的梯度增强算法模型在最近SA的测试集上实现了准确率为0.67（AUC = 0.76）。我们的模型在评估时的SI的测试集上实现了准确率为0.76（AUC = 0.80）。

 

结论：该模型在预测SI方面更成功，表明言语可能是SI的生物标志物。在两种情况下，我们的模型均优于随机猜测。未来的工作应评估在诊断或性别中是否存在特定效应，以及在独立数据集中测试以评估泛化性的潜力。未来的工作还可以探索将临床评分作为模型的预测因子。此外，应根据已测试的模型中的重要性来调查NLP特征。

 

 

参考来源：Predicting suicidal ideation and recent suicide attempts with computational speech and language features in psychiatric inpatients and outpatients