Prediction of Suicidal Ideation in the Canadian Community <i>Health Survey - Mental Health Component</i> Using Deep Learning
Notice bibliographique
Résumé
Abstract Introduction Suicidal ideation (SI) is prevalent in the general population, and is a prominent risk factor for suicide. However, predicting which patients are likely to have SI remains a challenge. Deep Learning (DL) may be a useful tool in this context, as it can be used to find patterns in complex, heterogeneous, and incomplete psychiatric datasets. An automated screening system for SI could help prompt clinicians to be more attentive to patients at risk for suicide. Methods Using the Canadian Community Health Survey - Mental Health Component, we trained a DL model based on 23,859 survey responses to predict lifetime SI on an individual patient basis. Models were created to predict both lifetime and last 12 month SI. We reduced 582 possible model parameters captured by the survey to 96 and 21 feature versions of the models. Models were trained using an undersampling procedure that balanced the training set between SI and non-SI respondents; validation was done on held-out data. Results AUC was used as the main model metric. For lifetime SI, the 96 feature model had an AUC of 0.79 and the 21 feature model had an AUC of 0.75. For SI in the last 12 months the 96 feature model had an AUC of 0.76 and the 21 feature model had an AUC of 0.69. DL outperformed random forest classifiers. Discussion Although requiring further study to ensure clinical relevance and sample generalizability, this study is a proof-of-concept for the use of DL to improve prediction of SI. This kind of model would help start conversations with patients which could lead to improved care and, it is hoped, a reduction in suicidal behavior.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».