2024年2月，田丽丽教授团队在《Journal of Affective Disorders》（SSCI，5年IF=5.4）期刊在线发表题为：Prediction of suicidal ideation among preadolescent children with machine learning models: A longitudinal study（https://doi.org/10.1016/j.jad.2024.02.070）的文章，发现机器学习模型可以作为中国青春期前儿童自杀风险评估的便捷工具。
论文的第一作者是2021级博士生杨驰，通讯作者为田丽丽教授，本实验室为第一完成单位。
自杀是一个重大的全球公共卫生问题。在自杀意念的相关研究中，机器学习（ML）技术在预测青少年及成人的自杀意念方面已得到广泛应用，但对于青春期前儿童，这一领域的研究尚显不足。鉴于自杀意念在青春期过渡期间的普遍性，本研究招募4691名中国儿童（54.89%为男孩，平均年龄10.92岁）及其父母在基线时完成相关测量，并提供6个月的自杀意念随访数据。本研究比较了随机森林（RF）、决策树（DT）、支持向量机（SVM）和多层感知器（MLP）四种机器学习模型在预测自杀意念方面的性能，并筛选出了表现最佳的模型以及具有高预测价值的变量。
研究发现，随机森林模型的鉴别性能最高，AUC（曲线下面积）为0.92，精度为0.93（平衡精度为0.88）。内化问题、外化问题、神经质、儿童期虐待和学校主观幸福感对自杀意念的预测价值最高。这些发现表明，机器学习模型能够基于儿童日常生活的特征和经验，有效地筛查和评估中国青春期前儿童的自杀风险，为早期干预提供了重要的参考。
图1：不同ML模型的ROC曲线，为使用AUC评分的ML模型的性能提供了定量指导。
（RF =随机森林；DT =决策树；SVM =支持向量机；MLP =多层感知器。）