Evidence for the biopsychosocial model of suicide: a review of whole person modeling studies using machine learning
Notice bibliographique
Résumé
Background: Traditional approaches to modeling suicide-related thoughts and behaviors focus on few data types from often-siloed disciplines. While psychosocial aspects of risk for these phenotypes are frequently studied, there is a lack of research assessing their impact in the context of biological factors, which are important in determining an individual's fulsome risk profile. To directly test this biopsychosocial model of suicide and identify the relative importance of predictive measures when considered together, a transdisciplinary, multivariate approach is needed. Here, we systematically review the emerging literature on large-scale studies using machine learning to integrate measures of psychological, social, and biological factors simultaneously in the study of suicide. Methods: We conducted a systematic review of studies that used machine learning to model suicide-related outcomes in human populations including at least one predictor from each of biological, psychological, and sociological data domains. Electronic databases MEDLINE, EMBASE, PsychINFO, PubMed, and Web of Science were searched for reports published between August 2013 and August 30, 2023. We evaluated populations studied, features emerging most consistently as risk or resilience factors, methods used, and strength of evidence for or against the biopsychosocial model of suicide. Results: Out of 518 full-text articles screened, we identified a total of 20 studies meeting our inclusion criteria, including eight studies conducted in general population samples and 12 in clinical populations. Common important features identified included depressive and anxious symptoms, comorbid psychiatric disorders, social behaviors, lifestyle factors such as exercise, alcohol intake, smoking exposure, and marital and vocational status, and biological factors such as hypothalamic-pituitary-thyroid axis activity markers, sleep-related measures, and selected genetic markers. A minority of studies conducted iterative modeling testing each data type for contribution to model performance, instead of reporting basic measures of relative feature importance. Conclusion: Studies combining biopsychosocial measures to predict suicide-related phenotypes are beginning to proliferate. This literature provides some early empirical evidence for the biopsychosocial model of suicide, though it is marred by harmonization challenges. For future studies, more specific definitions of suicide-related outcomes, inclusion of a greater breadth of biological data, and more diversity in study populations will be needed.
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 | 0,019 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,016 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».