本页面由土耳其语自动翻译。 阅读原文

本页是借助人工智能编写的土耳其语摘要，介绍在第26届世界精神病学大会上报告的研究。研究归报告作者所有；引用时请查阅原始来源。

EV1310

预测大学生自杀意念的可解释机器学习方法：SMS-ME项目

AN EXPLAINABLE MACHINE LEARNING APPROACH TO PREDICT SUICIDAL THOUGHTS IN UNIVERSITY STUDENTS. THE SMS-ME PROJECT.

可解释的XGBoost模型在内部和外部样本中预测健康相关专业学生自杀意念的AUROC为0.72至0.81，最强的预测因素为抑郁、压力、焦虑和呕吐发作。

本研究旨在整合学业、心理和行为方面的预测因素，开发一种具有临床可解释性和泛化能力的可解释机器学习（machine learning，ML）模型，用于识别西西里岛大学生的自杀意念。2022年9月至2024年6月，研究对西西里岛各大学医学、护理学、心理学、口腔医学及其他健康相关专业的在校学生开展了匿名在线调查，收集社会人口学和学业信息、DASS-21及EAT-26量表数据，以及过去六个月内的自杀意念情况。研究采用XGBoost模型预测自杀意念，以医学和护理学学生构成训练集，其他专业学生构成外部验证集；采用K近邻算法（KNN）填补缺失数据，使用BorderlineSMOTE处理类别不平衡问题，通过嵌套交叉验证（nested cross-validation），依据受试者工作特征曲线下面积（AUC-ROC）、准确率、敏感度、特异度及F1分数评估模型性能，并采用SHAP（SHapley Additive exPlanations，沙普利加性解释）分析提高可解释性。研究共纳入3,278名健康相关专业学生（女性占69.5%；平均年龄为22.7 ± 4.3岁），其中26.2%报告在过去六个月内出现过自杀意念或自杀未遂。报告重度或极重度抑郁、焦虑和压力症状的学生比例分别为34.8%、52.6%和37.1%，14.2%的学生存在进食障碍风险。XGBoost模型在内部和外部样本中均表现出良好的预测性能，AUROC为0.72至0.81；SHAP分析发现，抑郁、压力、焦虑和呕吐发作是影响最大的预测因素。综上，可解释人工智能可通过提供透明且可解释的风险评估，辅助临床决策，支持大学环境中的早期识别和针对性预防；与学业表现和进食行为相关的大学环境特异性预测因素，则凸显了学业压力和身体意象担忧的影响。

全部 WCP 2026 摘要