Identifying key risk factors for intentional self‐harm, including suicide, among a cohort of people prescribed opioid agonist treatment: A predictive modelling study
Notice bibliographique
Résumé
BACKGROUND AND AIMS: People with opioid use disorder are at increased risk of intentional self-harm and suicide. Although risk factors are well known, most tools for identifying individuals at highest risk of these behaviours have limited clinical value. We aimed to develop and internally validate models to predict intentional self-harm and suicide risk among people who have been in opioid agonist treatment (OAT). DESIGN: Retrospective observational cohort study using linked administrative data. SETTING: New South Wales, Australia. PARTICIPANTS: 46 330 people prescribed OAT between January 2005 and November 2017. MEASUREMENTS: Intentional self-harm and suicide prediction within a 30-day window using linked population datasets for OAT, hospitalisation, mental health care, incarceration and mortality. Machine learning algorithms, including neural networks and gradient boosting, assessed over 80 factors during the last 3, 6 and 12 months. Feature visualisation using SHapley Additive exPlanations. FINDINGS: Gradient boosting identified 30 important factors in predicting self-harm and/or suicide. These included the most recent frequency of emergency department presentations; hospital admissions involving mental disorders such as borderline personality, substance dependence, psychosis and depression/anxiety; and recent release from incarceration. The best fitting model had a Gini coefficient of 0.65 [area under the curve (AUC) = 0.82] and was applied to 2017 data to estimate the probability of self-harm and/or suicide. On average 46 people (0.16%) (from a total of 28 000 people in OAT) experienced intentional self-harm or suicide per month. Applying a 0.15% probability threshold, approximately 5167 people were classified as high risk, identifying 69% of all self-harm or suicide cases per month. This figure reduced to 450 per month after excluding people already identified in the previous month. CONCLUSIONS: Among people in opioid agonist treatment, administrative linked data can be used with advanced machine learning algorithms to predict self-harm and/or suicide in a 30-day prediction window.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».