论文部分内容阅读
第一部分青少年自杀自伤行为的流行病学特征及影响因素研究目的:调查青少年自杀自伤行为的流行病学特征及其影响因素。方法:采用分层整群随机抽样的方法,调查重庆市高中一、二年级学生的心理健康状况,将参与的学校每个年级30%的人数抽样,以班级为单位,共抽取20个中学22284名16-20岁学生。问卷内容包括:一般人口学资料、人格特征筛查(艾森克个性问卷、Barratt冲动性量表、Buss和Perry攻击问卷)、近期心理健康水平筛查、近期生命质量筛查、近期健康危险行为筛查以及自杀自伤意念及行为筛查。采用描述性统计分析、独立样本t检验和卡方检验(必要时Fisher精确概率检验)等统计方法,P<0.05视为具有统计学显著性。结果:近1年有时或经常觉得活着没意思、自己死了或许更好、想过自杀自伤的青少年比例分别为19.6%、12.9%以及7.2%。最近1个月内有时或经常想过自杀自伤的青少年比例为5.1%。至少采取过1次自杀自伤行为的青少年比例为2.7%。最近1个月内身体状况、精神心理健康状况、经济状况、学习状况差或非常差的青少年比例分别为4.5%、7.2%、13.1%以及13.9%。最近1个月内与家人或其他人关系差或非常差的青少年比例分别为4.4%和2.8%。女性、城市、最近12个月和1个月内有自杀自伤意念、最近1个月内身体与心理健康状况、经济、学习情况以及人际关系较差的青少年更容易出现自杀自伤行为。最近1个月失眠、吸烟、饮酒、赌博,以及因饮酒、心理问题或身体问题影响生活时间越久的青少年越容易出现自杀自伤行为。P分、N分、E分、冲动性、攻击性人格特质分数高的青少年更多出现自杀自伤行为。SCL-90总分及其分量表均值分高的青少年更多出现自杀自伤行为。结论:青少年自杀自伤行为与性别、家庭所在地、人格、近期的生命质量、近期心理健康水平、近期健康危险行为等密切相关。未来应当多借鉴国外成熟的以社区和学校为主体的青少年自杀自伤行为预防干预的经验,结合我国国情,为以家庭为主体的青少年自杀自伤行为防护提供更多资源。第二部分机器学习方法预警青少年期自杀自伤行为目的:利用机器学习方法构建青少年期自杀自伤行为预警模型。方法:采用分层整群随机抽样的方法,调查重庆市高中一、二年级学生的心理健康状况,将参与的学校按每个年级30%的人数抽样,以班级为单位,最终获得有效问卷22284份。筛选性别、居住地、EPQ人格、冲动性人格和攻击性人格等共16个特征。采用SPSS 26.0软件进行逻辑回归分析,检验水准为0.05。利用支持向量机、随机森林、决策树、极端梯度增强以及Bagging决策树分类器5种机器学习方法构建青少年期自杀自伤行为预警模型,采用敏感性和特异性评价模型的性能。结果:逻辑回归分析显示城市、女孩、高神经质和精神质、高无计划冲动性、高身体攻击性和高指向自我的攻击性是青少年期自杀自伤行为的风险因素。5种机器学习算法构建青少年自杀自伤行为预警模型,特异性介于35.5%-84.7%,敏感性介于39.2%-82.8%。综合来看,随机森林和Bagging决策树分类器在青少年期自杀自伤行为的预警模型构建中表现较好。青少年期自杀自伤行为预警模型前5个最重要特征依次为:行为冲动性、精神质、指向自我的攻击性、语言攻击性和敌意。结论:机器学习方法用于构建青少年期自杀自伤行为预警模型性能较好,人格特征比其他状态的心理症状和精神障碍具有提供更可靠、更具预测性的信息的潜力,对于青少年期出现的自杀自伤行为应采取综合性的预防策略。第三部分机器学习方法预警青少年12个月内自杀自伤行为目的:利用机器学习方法构建青少年12个月内自杀自伤行为预警模型。方法:利用分层整群随机抽样,抽取中学、职高以及大学的一、二年级学生共182836人。建立队列,第2年同一时间段对同一批人群进行复测,最终收集参与两次测试共25767人。选取年龄、近期心理健康水平、近期生命质量、近期健康危险行为以及自杀自伤意念共22个特征。采用SPSS 26.0软件进行逻辑回归分析,检验水准为0.05。利用支持向量机、随机森林、决策树、极端梯度增强以及Bagging决策树分类器5种机器学习方法构建青少年12个月内自杀自伤行为预警模型,采用敏感性和特异性评价模型性能。结果:在第二年筛查中发现12个月内新出现自杀自伤行为的青少年共58人,发病率为0.23%。12个月内有和没有自杀自伤行为的青少年在年龄、吸烟、网络成瘾、躯体化、强迫、人际关系敏感、抑郁、焦虑、敌对、恐怖、偏执、精神病性以及其他(食欲、睡眠)等方面有统计学上的差异(P<0.05)。逻辑回归分析显示最近30天吸烟天数多、敌对、年龄小、近1年觉得活着没意思、最近1个月有消极观念是青少年12个月内出现自杀自伤行为的风险因素。5种机器学习算法构建青少年12个月内自杀自伤行为的预警模型,特异性介于32.9%-98.1%,敏感性介于16.7%-66.7%,综合来看,决策树和Bagging决策树分类器表现较好。青少年12个月内自杀自伤行为预警模型前10个最重要特征依次为:人际关系敏感、近1年内的自杀或自伤意念、敌对、恐怖、精神病性、网络成瘾、近1个月内经济状况差、近1个月内与家人关系差、偏执以及焦虑。结论:机器学习方法特别是Bagging决策树分类器在构建青少年12个月内和青春期自杀自伤行为预警模型中均显示出较好的性能。自杀自伤行为预警系统需要学校、社区、医院以及家庭等密切配合,才能有效降低青少年12个月内的自杀自伤行为风险。第四部分青少年期自杀自伤行为预警模型的评价目的:在职高学生中,对青少年期自杀自伤行为预警模型进行大规模外部评价。方法:利用分层整群随机抽样,对19所职业高中进行心理测评,获得有效问卷55172份。选取性别、居住地信息、EPQ人格、冲动性人格特质和攻击性人格特质共16个特征。用SPSS26.0软件对所有特征进行描述性统计分析,了解数据的总体特点。利用Bagging决策树分类器评价青少年期自杀自伤行为预警模型在职高学生群体中的迁移性。结果:共调查职高学生55172人,男性29741人,女性24873人,平均年龄19.2±1.19岁。有自杀自伤行为558人,占比1.01%。先前在中学生中得到的青少年期自杀自伤行为预警模型(Bagging决策树分类器算法)迁移到职高学生群体中后,敏感性为60.0%。结论:已经建立的青少年期自杀自伤行为预警模型在大规模外部评价后,证明其具有较好的可迁移性,为模型在实际应用提供良好的基础。