目的基于机器学习随机森林算法建立青少年心理危机预测模型,分析青少年心理危机的影响因素。方法分别在2020年11月与2021年6月,采用整群抽样追踪调查1417名中学生,第一次测量收集人口学资料、症状因素、保护因素等问卷数据,第二次测量...目的基于机器学习随机森林算法建立青少年心理危机预测模型,分析青少年心理危机的影响因素。方法分别在2020年11月与2021年6月,采用整群抽样追踪调查1417名中学生,第一次测量收集人口学资料、症状因素、保护因素等问卷数据,第二次测量抑郁、自杀风险,以是否在第二次测量中呈现中度以上抑郁(抑郁得分≥15分)与高自杀风险(自杀风险得分≥7分)为心理危机判定标准。运用SPSS 24.0进行统计学分析,采用R version 4.1.1软件构建青少年心理危机随机森林机器学习预测模型,并分析青少年出现心理危机的高预估因素。结果(1)中度以上抑郁检出率为10.02%(142/1417),高自杀风险检出率为30.77%(436/1417),心理危机检出率为8.19%(116/1417)。(2)心理危机预测模型敏感度为0.79,特异度为0.82,阳性预测值为0.82,阴性预测值为0.79,准确率为0.80,曲线下面积为0.88。(3)青少年心理危机影响因素排名前十的特征变量依次为抑郁情绪、焦虑情绪、自杀意念、自我伤害行为、认知灵活性-可控性、认知灵活性-可选择性、坚毅-坚持努力、坚毅-兴趣一致性、母亲情绪和父亲情绪(模型预测精准度=0.023~0.163)。结论青少年心理危机的发生与症状因素、保护因素、父母情绪关系密切,且有跨时间预估的意义。机器学习随机森林算法能有效识别心理危机个体,识别敏感的危机个体特征。展开更多
文摘目的基于机器学习随机森林算法建立青少年心理危机预测模型,分析青少年心理危机的影响因素。方法分别在2020年11月与2021年6月,采用整群抽样追踪调查1417名中学生,第一次测量收集人口学资料、症状因素、保护因素等问卷数据,第二次测量抑郁、自杀风险,以是否在第二次测量中呈现中度以上抑郁(抑郁得分≥15分)与高自杀风险(自杀风险得分≥7分)为心理危机判定标准。运用SPSS 24.0进行统计学分析,采用R version 4.1.1软件构建青少年心理危机随机森林机器学习预测模型,并分析青少年出现心理危机的高预估因素。结果(1)中度以上抑郁检出率为10.02%(142/1417),高自杀风险检出率为30.77%(436/1417),心理危机检出率为8.19%(116/1417)。(2)心理危机预测模型敏感度为0.79,特异度为0.82,阳性预测值为0.82,阴性预测值为0.79,准确率为0.80,曲线下面积为0.88。(3)青少年心理危机影响因素排名前十的特征变量依次为抑郁情绪、焦虑情绪、自杀意念、自我伤害行为、认知灵活性-可控性、认知灵活性-可选择性、坚毅-坚持努力、坚毅-兴趣一致性、母亲情绪和父亲情绪(模型预测精准度=0.023~0.163)。结论青少年心理危机的发生与症状因素、保护因素、父母情绪关系密切,且有跨时间预估的意义。机器学习随机森林算法能有效识别心理危机个体,识别敏感的危机个体特征。