Factors Associated With Suicidal Ideation Among Persons With Disabilities in South Korea: Retrospective Observational Study
Notice bibliographique
Résumé
Background: South Korea has the highest suicide rate among the Organisation for Economic Co-operation and Development nations, with particularly elevated figures among persons with disabilities. Research has shown a strong correlation between suicidal ideation and suicide attempts. Objective: This study aimed to investigate the factors that contribute to suicidal ideation among persons with disabilities in South Korea, utilizing machine learning methods based on national survey data. Methods: We employed data from the 2020 National Survey on Persons with Disabilities in South Korea, which included 7025 respondents. The primary variable of interest was the answer to the question, "have you thought about taking your own life in the past year?" The dataset was divided into training (80%) and test (20%) subsets. Because the survey contained too many questions (n=1394), feature selection was conducted using random forest variable importance to identify the top 100 features. Subsequently, 5 machine learning models were trained to predict suicidal ideation based on the selected features: logistic regression, support vector machine, random forest, Extreme Gradient Boosting (XGBoost), and feed-forward neural network. Results: A total of 6832 persons with disabilities responded to the suicidal ideation question and were included in the study. The most common types of primary disability were physical disability (n=1773, 26.0%) and hearing disability (n=979, 14.3%). Of the 6832 persons with disabilities, 12.1% (n=829) indicated they had had suicidal thoughts in the past year. Significant factors that impacted suicidal ideation included intense feelings of sadness, difficulties associated with their disabilities, and overall health satisfaction. Among the models tested, the random forest model exhibited the best predictive performance with a median area under the receiver operating characteristic curve of 0.905 (IQR 0.895-0.913), a median precision of 0.592 (IQR 0.561-0.616), and a median recall of 0.588 (IQR 0.564-0.620). Conclusions: This study highlights critical predictors of suicidal ideation in persons with disabilities in South Korea, underscoring the necessity for focused mental health interventions. The results demonstrate the potential of machine learning to identify these factors, which can aid in the development of future suicide prevention strategies. Future work is warranted to investigate if the factors identified in this study are causal.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».