Development and validation of a predictive model for suicidal thoughts and behaviors among freshmen
Notice bibliographique
Résumé
BACKGROUND: There are fewer studies on prospective predictors of first-time suicidal thoughts and behaviors (STB) among first-year university students and fewer studies prospectively identifying and screening for those at high risk of suicide among college students. This study assessed the impact of prospective baseline variables on the risk of new STB onset among first-year university students over two years and developed a multivariate risk prediction model. METHODS: 4,560 first-year university students (38.4% males, mean age:18.34) from China participated and completed this prospective cohort study over a three-year period from 2018 to 2020. LASSO regression, and logistic regression models under resilient networks, were used for risk predictor variable screening and final prediction model building. Independent validation sets were used for external validation of the models. Independent validation sets were used for external validation of the models. Area Under the Curve (AUC), accuracy, F1 scores, and Hosmer-Lemeshow test metrics were used to evaluate the model performance. RESULTS: The incidence rates of suicidal thoughts, suicidal behaviors, and STB within two years were 4.89%,1.03%, and 4.96%, respectively. Predictors in the final model included females, always solo activity, bigotry under pressure, socially oriented perfectionism, drinking to relieve stress, autonomy attitude, poorer parental marriage satisfaction, maternal emotional warmth, perceived others social support, and number of lifetime severe traumatic events. The predictive model had an AUC of 0.738 (95% CI: 0.697-0.780) for predictive accuracy in the training dataset as well as 0.710 (95% CI: 0.657-0.763) for predictive accuracy in the validation dataset, which represents a high degree of model discrimination. CONCLUSION: Based on this predictive model of suicidal thoughts and behaviors, this study may help to assess and screen college students at risk for STB and develop suicide prevention strategies for at-risk populations.
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 | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».