南非自残后非自然死亡的风险:多变量预后模型的建立与验证
《BMJ Mental Health》:Risk of unnatural death following self-harm in South Africa: development and validation of multivariable prognostic models
【字体:
大
中
小
】
时间:2026年07月02日
来源:BMJ Mental Health 6.6
编辑推荐:
摘要
背景:反复出现自我伤害行为较为常见,且与自杀及致命事故等非自然死亡风险增加相关。为在无法提供基于证据的干预措施时辅助临床决策并实施有针对性的预防,我们建立了预测模型,用于对因非致命性自我伤害而寻求医疗帮助的个体进行非自然死亡风险分层。
方法:我们利用2011–20
摘要
背景:反复出现自我伤害行为较为常见,且与自杀及致命事故等非自然死亡风险增加相关。为在无法提供基于证据的干预措施时辅助临床决策并实施有针对性的预防,我们建立了预测模型,用于对因非致命性自我伤害而寻求医疗帮助的个体进行非自然死亡风险分层。
方法:我们利用2011–2021年间因自我伤害而接受治疗、最终存活的6846名10岁及以上南非医疗保险受益人的保险理赔数据及人口登记数据,构建并验证了预测非致命性自我伤害后非自然死亡的模型。我们采用竞争风险回归模型来预测患者在接受治疗并出院后1–3年内的非自然死亡风险。变量选择依据最小绝对收缩和选择运算子进行。通过自助法进行内部验证,同时计算乐观校正一致性指数、校准截距和斜率,以及不同风险组中非自然死亡的比例,以评估风险分层效果。最终模型纳入了年龄、性别、就诊特征、既往精神药物使用情况以及部分既往精神障碍诊断信息。
结果:最终模型的乐观校正一致性指数在就诊时为0.74,出院时为0.75–0.76,能在2年内识别出风险最高的40%人群中86–88%的实际非自然死亡案例。模型几乎没有系统性校准偏差(乐观校正校准截距为-0.02至-0.01),但存在一定过拟合现象(乐观校正校准斜率为0.84–0.92)。采用乐观校正一致性指数最高的简化出院模型,风险最低的60%人群的2年非自然死亡风险为0.15%(95%置信区间为0.06%至0.32%),这一比例与1,249,760名无自我伤害史人群的风险水平相当(0.14%,95%置信区间为0.14%至0.15%)。
结论:这些预测模型能够有效对南非私营医疗机构中的患者按因非致命性自我伤害而接受治疗后的非自然死亡风险进行排序。
临床意义:这些模型旨在辅助临床决策,帮助确定高风险人群,从而有针对性地实施干预措施,提高有限的心理健康服务资源的利用效率,尤其是在中低收入国家。
已有研究进展:预测模型可准确预测自我伤害后的重复自杀行为,但其临床应用价值仍存在争议。现有模型多在高收入国家开发,针对中低收入国家的模型较少,而这些国家恰恰需要更有效的资源利用方式。
本研究贡献:我们建立了经内部验证的预测模型,用于对因非致命性自我伤害而寻求医疗帮助的个体进行非自然死亡风险分层。这些模型具有良好的区分能力、合理的校准性能以及出色的风险分层效果,能够将自我伤害后非自然死亡风险极高的群体与风险较低的群体区分开来,后者风险与无自我伤害史人群相当。
研究对未来研究的启示:本研究表明,基于常规临床和行政数据的预测模型可用于自我伤害后的风险分层,有助于在专业资源有限的情况下制定治疗方案并确定自杀干预的优先顺序。
引言
全球每年有超过70万人死于自杀。其中近80%的自杀事件发生在中低收入国家,非洲地区的自杀率最高。南非在该地区的年龄标准化自杀率位居前列,2021年的估计值为每10万人中有21.1例。自我伤害行为,包括非自杀性自伤和自杀未遂,也是重要的公共卫生问题,会导致严重的心理困扰、功能受损,并给医疗系统带来巨大压力。2021年全球女性自我伤害发生率为每10万人每年99例,男性为56例;在中低收入国家,相应数值分别为每10万人每年91例和42例。在之前针对同一南非群体的研究中,我们发现该群体的自我伤害发生率更高:女性为每10万人每年183例,男性为90例,且90%的案例为故意服毒。自我伤害行为往往具有反复性,且严重程度可能随时间加重。许多自杀者在其死亡前的数月内都有自我伤害行为。我们之前的研究显示,有过自我伤害史且在治疗后出院的个体,其后续非自然死亡风险显著升高:与无自我伤害史者相比,男性风险上升七倍,女性上升近五倍。
对于出现自我伤害行为的个体,推荐的干预措施包括在存在即时风险时将其收治入院、治疗潜在的精神障碍,以及采取特定干预措施,如安全计划、结构化的出院后随访,以及旨在培养应对能力和问题解决技能的心理治疗方法,以帮助其应对未来的危机。尽管这些干预措施有效,但它们的实施依赖于专业人员的数量。在中低收入国家,由于专业人才短缺,这些干预措施难以惠及所有需要帮助的人,因此亟需通过优先考虑高风险人群来合理分配有限的心理健康资源。
准确识别高自杀风险人群仍然是一项挑战,尤其是在心理健康资源匮乏的中低收入国家。风险评估方法多种多样,从非结构化的临床访谈到自我报告量表,再到预测模型。临床访谈耗时较多,且其在预测未来自我伤害方面的准确性较低。自我报告量表则缺乏足够的诊断精度。而先进的统计和机器学习模型则为结构化、数据驱动的风险分层提供了可能,部分模型的预测精度也相当不错。
本研究旨在为南非有医疗保险的人群建立并验证预测模型,以评估其因自我伤害而面临非自然死亡的风险。我们根据不同的应用场景设计了四种模型,每种模型使用的候选预测因子各不相同。这些模型得出的风险评分可帮助急救人员做出决策,也能协助疾病管理专家和护理人员在所需干预措施的需求超出现有资源能力时,确定死亡风险最高的人群。
方法
研究设计与参与者:我们采用了队列研究方法,数据来源于南非的一项医疗保险计划(2011年1月1日至2020年6月30日)和一项艾滋病防治项目(2011年1月1日至2021年1月26日),这些数据与国家人口登记系统的记录(2011年1月1日至2021年1月26日)相互关联。在1,256,623名10岁及以上、性别明确且能通过人口登记系统追溯的受试者中,我们筛选出了有过非致命性自我伤害经历的个体,用于构建和验证预测模型(见在线补充图1)。非致命性自我伤害经历被定义为任何因自我伤害而进行的医疗就诊(国际疾病分类ICD-10代码为X60–X84),且患者在就诊当天或出院前并未死亡。为了解释绝对风险差异,我们还在分析中纳入了没有自我伤害史的个体,以估算无自我伤害史人群的非自然死亡累积发病率(见在线补充图1)。关于该研究群体的人口特征、自我伤害发生情况及其处理方式的更多细节已在其他文献中报道。模型开发遵循临床预测模型的相关指南,并按照TRIPOD标准进行了报告。
数据来源:保险数据包括社会人口学特征、门诊和住院病历中的ICD-10诊断信息、药物使用记录以及实验室检测结果。人口登记数据则包含死亡日期和死因(分为自然死亡、非自然死亡或原因不明)。人口登记数据中不包含具体死因的ICD-10编码。南非的成人死亡登记完整率为93%,儿童略低。
结局指标:结局指标为非自然死亡,即由外部因素导致的死亡,包括自杀和意外事故,这些死亡通过ICD-10代码V01–Y98进行标识。对于因非致命性自我伤害而门诊就诊的病例,结局评估在就诊后3年内进行;对于因该原因住院治疗的病例,则在出院后3年内进行评估。
预测因子:我们根据以往关于自我伤害和自杀风险因素的临床和流行病学知识,选择了候选预测因子。所选因子包括性别、年龄、精神障碍诊断、精神药物使用情况、医疗就诊类型(门诊或住院)、就诊类型细分(门诊、住院时间≤3天或>3天),以及初次就诊时的自我伤害方式。在早期版本的模型中,我们还考虑将HIV感染状态作为候选预测因子。大多数模型都纳入了HIV感染状态,且发现其与非自然死亡风险降低相关。然而这种关联在临床上不太合理,很可能是由种族因素导致的混淆效应。在当前版本的模型中,我们排除了HIV感染状态,因为这种看似具有保护作用的关联很可能无法在不同环境中普遍适用。各候选预测因子的定义详见在线补充表1。精神障碍被分为器质性精神障碍、物质使用障碍、酒精使用障碍、药物使用障碍、精神病性障碍、双相情感障碍、抑郁症、焦虑症、创伤后应激障碍、其他焦虑障碍、人格障碍以及其他精神障碍。对于同时被诊断为抑郁症和双相情感障碍的个体,仅考虑双相情感障碍的诊断,因为双相情感障碍本身就包含抑郁发作。精神药物使用情况是根据药物报销记录中的解剖治疗化学分类代码确定的,包括抗精神病药、抗焦虑药、抗抑郁药以及具有明确抗自杀作用的药物。初次就诊时的自我伤害方式根据其致死性被分为高致死性和低致死性两类,因为有证据表明,使用高致死性方法的个体自杀和非自然死亡的风险更高。高致死性方法包括上吊、煤气中毒、高空跳落、枪击以及溺水。低致死性方法则包括药物或化学物质中毒、火灾相关伤害、机动车事故、锐器或钝器造成的伤害,以及其他未明确说明的方法。
统计分析:我们从受试者首次出现自我伤害门诊就诊之日,或对于住院治疗的受试者而言,从其首次因自我伤害而住院的出院之日开始对其进行跟踪。我们不考虑多次自我伤害行为,每个受试者仅在分析中贡献一次初次就诊记录。对于没有自我伤害史的受试者,跟踪起始时间为其加入医疗保险计划或艾滋病防治项目的时间、10岁生日或2011年1月1日三者中的较晚者。对于这两类受试者,跟踪结束时间为以下三者中的最早者:数据库关闭日期、受试者死亡日期,或是3年的最大跟踪期限。我们将年龄视为连续变量,采用自由度为5的受限立方样条函数进行建模,节点分别设置在25岁和35岁,边界节点则设置在10岁和95岁。
我们为不同的应用场景设计了四种预测非自然死亡的模型,每种模型使用的候选预测因子各不相同。完整的就诊模型包含了以下候选预测因子:年龄、性别、医疗就诊类型、自我伤害方式,以及初次就诊前的心理健康诊断和精神药物使用史,这些信息均来自受试者在初次就诊前的全部行政记录(见在线补充表1)。完整的出院模型则包含了以下候选预测因子:年龄、性别、就诊类型、自我伤害方式,以及初次就诊前的精神药物使用史和心理健康诊断史,此外还包括初次就诊期间记录到的心理健康诊断信息。出院模型的目的是帮助在患者出院时做出决策,充分利用出院时所能获得的全部信息,包括本次住院期间的诊断结果。我们还设计了简化版的就诊模型和出院模型,这些模型将心理健康诊断从候选预测因子列表中剔除。这类简化模型适用于那些通常无法获取心理健康诊断信息的机构,比如南非的公共医疗机构。
我们采用20折交叉验证的最低绝对收缩和选择运算子回归方法来选择预测因子,通过交叉验证一致性指数来确定惩罚参数。预测因子选择采用两阶段方法。首先,我们对二元预测因子进行筛选,只保留那些在两组受试者中均有至少2例在2年内发生非自然死亡事件的因子。对于性别与精神障碍、精神药物使用与自我伤害方式之间的交互作用,我们也应用了相同的最低事件数要求,即要求在每个性别与暴露因素的组合分组中,也有至少2例在2年内发生非自然死亡事件。其次,我们建立了包含所有已选定主效应和交互作用项的惩罚型LASSO模型,并选择能使交叉验证一致性指数达到最大的λ值作为最终的预测因子值。在筛选之后,我们通过保留所选交互项的相应主效应来建立层次结构,若有多级分类预测变量,则保留所有被选中的级别。接着,我们在Fine-Gray亚分布风险模型中重新拟合这些选定预测变量,以估算非自然死亡的累积发病率。我们从区分度、校准度和风险分层三个方面来评估模型性能。区分度通过竞争风险的C指数来量化;校准度则通过比较预测风险不同分位数下1年、2年和3年的实际观测累积发病率与预测值,并利用Aalen-Johansen估计法进行图形化分析,同时通过互补对数坐标轴上的2年校准截距和斜率以及考虑了2年内数据缺失情况的逆概率加权进行数值分析;风险分层则是通过统计在2年预测风险逐渐增加所定义的高风险组中,1年、2年和3年内发生的非自然死亡比例来评估。我们采用1000次自助法重采样进行内部验证,以此量化区分度(C指数)、校准截距和斜率以及风险分层方面的乐观偏差,风险分层则表现为高风险组中捕获的非自然死亡比例。在每次自助重采样中,我们都重复完整的模型构建流程,包括基于最小事件规则的预测变量和交互作用筛选、使用20折交叉验证的惩罚LASSO选择法、层次选择规则的应用,以及所选Fine-Gray模型的重新拟合。我们通过从原始数据集中的表观估计值中减去平均自助法乐观偏差,来估算经过乐观偏差校正后的模型性能。我们还根据各预测变量项对线性预测因子(风险评分)方差的解释比例,对预测变量进行了排序。为展示不同时期的绝对风险差异,我们采用了经过乐观偏差校正后C指数最高的简化出院模型,将该模型中预测风险处于前10%和前40%的个体定义为高风险组。对于每个风险组,我们都计算了非自然死亡的Aalen-Johansen累积发病率函数,并将其与自我伤害群体中的其余个体以及之前没有过非致命性自我伤害经历的个体进行比较。更多详细内容见在线补充文本1。
研究人群特征
在1,256,623名潜在研究对象中,我们纳入了6846名有过非致命性自我伤害医疗记录的个体,用于构建和验证预后模型。而在没有过非致命性自我伤害记录的人群中,共有1,249,760名个体被纳入非自然死亡分析(见在线补充图1)。在用于模型构建和验证的6846名有过非致命性自我伤害记录的个体中,4749名(69%)为女性,2097名(31%)为男性。大多数情况下,这类自我伤害行为表现为3天或更短的住院治疗(66%)(见表1)。自我伤害发生时的中位年龄为31岁(四分位数范围21–41岁)。绝大多数案例(98%)涉及低致死性的自我伤害方式,其中最常见的是中毒;而高致死性伤害方式则较为罕见,尤其是在女性中。有一半的个体(51%)在自我伤害发生前已被诊断出患有精神障碍,70%则在出院前就有此诊断。
表1 • 模型构建和验证队列的特征
非致命性自我伤害后的非自然死亡
在自我伤害发生后的3年内,我们共观察到80例非自然死亡事件,发生率为1.2%,中位随访时间为3.0年(四分位数范围2.5–3.0年)(见表1)。
选定的多变量预后模型
具有最高交叉验证C指数的完整模型包含了年龄、性别、医疗环境、自我伤害发生前的抗精神病药和抗焦虑药使用情况、此前诊断出的药物滥用障碍、双相情感障碍和抑郁症,以及性别与抗焦虑药使用、性别与抑郁症之间的交互作用。具有最高C指数的完整出院模型则包含了年龄、性别、自我伤害类型、自我伤害发生前的抗精神病药和抗焦虑药使用情况、药物滥用障碍和抑郁症的诊断结果,以及性别与抗焦虑药使用、性别与抑郁症之间的交互作用。图1和在线补充图2展示了完整模型中各预测变量的调整后风险比。表现最佳的简化版完整模型包含了年龄、性别、医疗环境、自我伤害发生前的抗精神病药和抗焦虑药使用情况,以及性别与抗焦虑药使用之间的交互作用。表现最佳的简化版出院模型则包含了年龄、性别、自我伤害类型,以及自我伤害发生前的抗精神病药或抗焦虑药使用情况(见在线补充图2和3)。LASSO交叉验证在不同惩罚参数下的表现则见在线补充图4。
图1 需要授权
最终模型中分类预测变量的调整后风险比。这些估计值为非致命性自我伤害后非自然死亡的亚分布风险比,并附有95%置信区间。(A) 完整多变量模型中包含的分类预测变量的结果。(B) 完整出院模型中包含的分类预测变量的结果。对于那些作为交互作用项出现的变量,所报告的风险比是针对该交互变量中的参考类别而言的。这两个模型还都包含了年龄这一变量,该变量以受限立方样条的形式作为连续预测因子处理。年龄与风险之间的关联关系见在线补充图2。
在全部四个模型中,性别和年龄对风险评分的变化贡献最大。性别解释了线性预测因子方差中的25–51%,年龄则解释了18–23%的方差。医疗环境或自我伤害类型则贡献了5–10%的方差。各个个体特定的临床预测因子通常贡献较小,不过在完整版完整模型中抑郁症诊断因素解释了6%的方差,在完整版出院模型中则解释了12%的方差。交互作用项的贡献相对更小,在完整模型中性别与抑郁症之间的交互作用解释了5–8%的方差(见在线补充表2)。
模型性能:区分度与校准度
这四个模型在各项指标上的表现相当,经过乐观偏差校正后的C指数分别为:完整版完整模型为0.74,完整版出院模型为0.75,简化版完整模型为0.74,简化版出院模型为0.76(见在线补充表3)。经过乐观偏差校正后的2年校准截距在各模型间介于-0.02到-0.01之间,表明几乎没有系统性过高或过低预测的迹象。而经过乐观偏差校正后的校准斜率则在0.84到0.92之间,说明存在一定程度的过拟合现象,预测风险有些过于极端(见在线补充表3)。校准图显示,所有四个模型在1年、2年和3年时的预测风险与实际观测风险之间均存在较好的一致性(见在线补充图5和6)。
风险分层性能
表2以及在线补充图7和8展示了在1年、2年和3年时,通过逐步提高预测风险阈值所定义的越来越大的高风险组中,各预后模型所捕获的非自然死亡比例。经过乐观偏差校正后的估计结果显示,截至2年时,在完整版完整模型中,预测风险最高的20%的个体已占非自然死亡总数的47%,在完整版出院模型中这一比例为57%,在简化版完整模型中为50%,在简化版出院模型中为51%。若将高风险组扩大到预测风险最高的40%,则分别能捕获86%、88%、86%和86%的非自然死亡病例。
表2 • 高风险群体划分与捕获的非自然死亡之间的权衡
风险群体中的绝对风险
图2展示了使用简化版出院模型将预测风险最高的10%和40%的个体定义为高风险组后,这些高风险组与非自然死亡之间的累积发病率情况,同时也将相应较低风险组的状况以及之前没有过非致命性自我伤害经历的个体的情况进行了对比。在自我伤害发生后的2年时,预测风险最高的10%风险组中的非自然死亡累积发病率为4.36%(95%置信区间为2.99%至6.11%),而风险最低的90%群体中的这一比率仅为0.50%(95%置信区间为0.35%至0.71%)(见图2A)。在预测风险最高的40%风险组中,非自然死亡累积发病率为2.00%(95%置信区间为1.51%至2.58%),而风险最低的60%群体中的这一比率仅为0.15%(95%置信区间为0.06%至0.32%),之前没有过自我伤害经历的个体的这一比率也为0.14%(95%置信区间为0.14%至0.15%)(见图2B)。基于出院模型的相关图表见在线补充图9。
图2 需要授权
展示了在不同风险阈值下,高风险组和低风险组在非致命性自我伤害后的非自然死亡累积发病率情况,同时也将之前没有过自我伤害经历的个体作为对照。该图显示了在高风险组中,即按预测风险划分的Top 10%群体(A)和Top 40%群体(B)在非致命性自我伤害后的非自然死亡累积发病率及其95%置信区间,同时将与它们对应的较低风险群体(A组为风险最低的90%,B组为风险最低的60%)以及之前没有过非致命性自我伤害经历的个体进行了比较。这些预测结果是基于完整模型得出的。
讨论
在南非的私人医疗服务领域,自我伤害的发生率几乎是全球平均水平的两倍。5 6那些出现自我伤害行为的个体,其后续自杀及其他非自然死亡的风险要高出五到七倍。6 这些发现凸显出有必要采取基于证据的干预措施,以减少这一高风险群体的重复自杀行为并预防自杀事件。9 然而,对自我伤害后的患者进行管理面临着诸多挑战。一线医护人员往往需要在谁可以安全地作为门诊病人接受治疗、谁需要住院治疗之间做出艰难的决定。此外,低收入国家/地区的卫生系统还必须分配有限的心理健康资源,11 12包括有限的精神病床位以及提供诸如针对自杀的专门干预服务等方面的能力不足。为帮助做出治疗决策和合理分配资源,我们构建了并内部验证了预后模型,用以估算非致命性自我伤害后首次就医时的非自然死亡风险(即呈现模型),以及因自我伤害而住院治疗后的非自然死亡风险(即处置模型)。所有四个模型在经过乐观偏差校正后的区分度方面表现相似,C指数在0.74到0.76之间。校准截距接近于0,表明几乎没有系统性过高或过低预测的迹象。不过,低于1的校准斜率则表明存在一定程度的过拟合现象,预测风险有些过于极端,尤其是在风险分布的低端和高端。因此,这些模型应主要被视为用于风险排序和分层的工具,而非精确估算绝对风险的手段。尽管如此,风险分层在临床实践中依然具有实用价值:根据经过乐观偏差校正后的估计结果,预测风险最高的40%的个体在2年内已占了实际观察到的非自然死亡病例的86–88%。相比之下,预测风险最低的60%的个体实际的非自然死亡风险则较低,与之前没有过自我伤害经历的个体水平相当。如果这些模型能在外部验证中得到确认,那么它们就可以用于支持临床决策,帮助识别那些非自然死亡风险较低的个体,使其能够作为门诊病人接受治疗;同时也能让那些风险较高的个体得到优先处理,从而接受更深入的评估以及专门的自杀干预服务,尤其是在需求超过服务能力的情况下。我们模型中保留的预测变量都具有临床意义,临床医生在评估自我伤害后的患者时可能已经会在非正式情况下考虑这些因素。然而,长期以来人们已经认识到,仅依靠非结构化的临床判断来预测未来的自杀行为效果较差,其预测准确性仅略高于随机水平。13 14这类评估既耗时又易受偏见影响,不同医护人员之间的评估结果也往往不一致,而且其结果还会受到所在机构环境、时间因素以及工作负荷的影响。更为复杂的是,南非的大部分自我伤害病例都发生在非工作时间内,此时分诊任务往往由培训程度和自杀预防专业知识有限的初级医生或轮岗医生来承担。25 在这种情况下,临床医生出于谨慎考虑,很可能会选择将更多患者转诊或收治入院,从而导致床位使用超负荷,给医疗服务带来额外压力。我们的模型通过将那些常见的预测因子转化为结构化、基于概率的风险估算值,并确保其具有已知的诊断准确性,从而解决了部分上述问题。这些基于模型的估算结果有助于在不同医疗机构中的医护人员之间实现决策标准化,同时也能减轻他们在压力之下、在资源有限的情况下做出关键分诊决策时的心理负担。重要的是,这些模型旨在补充而非替代临床医生的判断。当存在其他风险因素或临床情况要求采取不同处理方式时,临床医生仍有权忽视模型给出的建议。例如,虽然模型显示某患者的风险较低,适合门诊治疗,但只要临床医生发现一些风险评分中未包含的相关风险因素(如急性醉酒、持续的自杀意图或社会支持不足等),或者有其他需要住院治疗的指征,他们仍然可以选择将患者收治入院。另外,临床医生不应使用本研究中所呈现的各个模型系数来非正式地估算风险,因为这些系数源自多变量预后模型,无法反映单个风险因素的独立或因果效应。风险估算应依据经过验证的模型所提供的预后分数来进行。尽管这些模型仅使用了5到8个预测变量,但其应用却依赖于能否获取长期的临床信息。在私营医疗机构中,急诊科的医护人员通常无法实时获取患者的医疗记录数据,这就限制了他们在诊疗现场立即使用呈现模型。临床医生可以通过患者自我报告获取预测信息,但通过行政索赔数据得出的预测指标在自我报告时可能无法达到同等效果,因为不同数据源的测量误差和报告偏差存在差异。因此,若要将其转换为自我报告的预测指标,就需要进一步验证,甚至可能需要进行重新校准。在私营领域,一个更可行的短期方案是将该模型纳入医疗计划中的疾病管理流程中,让疾病管理专家利用定期收集的索赔数据应用相关模型,生成自动化的风险评分和警报。这种方法有助于主动联系医疗服务提供者或患者,并根据预测风险合理分配护理资源。在拥有先进整合型健康信息系统的公共部门,比如西开普省,由于临床医生可以通过西开普省省级健康数据中心提供的“单一患者查看器”等平台访问纵向病历记录,类似模型可以直接在诊疗现场使用。通过持续生成风险评估值,这些模型使得优先级设定标准能够根据临床需求和系统容量进行调整。相比早期基于规则的评估工具,如曼彻斯特自我伤害规则和REACT自我伤害规则,这些工具仅将自杀风险分为二元类别,我们的模型则能按风险程度进行分层,实现更为精准的临床应对,同时还能根据当地的服务能力进行调整。目前,针对自我伤害后结局的预后模型几乎都是在高收入国家开发的。最近推出的牛津自我伤害自杀评估工具就是高收入环境下表现优异的案例之一。该模型基于瑞典的登记数据,在外部验证中表现出良好的区分度(C指数为0.77),但它所使用的社会人口学和精神病学预测指标多见于高收入国家。相比之下,我们的模型在南非使用5到8项常规收集的临床和行政预测指标进行内部验证时,也取得了类似的区分度,这提升了在注册系统基础设施和诊断能力有限的低收入和中等收入国家中的应用可行性。我们还开发了简化版的模型,去除了在包括公共部门在内的许多南非机构中无法完整获取的心理健康诊断信息。这些简化模型在风险分层方面的表现与原有模型相当,表明即便没有完整的心理健康诊断信息,这些模型依然可以应用。综上所述,这些研究结果凸显了根据当地数据可用性和服务结构来定制预测模型的重要性。尽管这项研究结果颇具前景,但在解读时还需考虑若干局限性。首先,具体死因的ICD-10编码并不可用,我们只能以非自然死亡作为有近期自我伤害史个体的自杀替代指标,这种方式会给模型估算带来不确定性。错误分类可能导致预测误差,还会因混淆故意死亡和意外死亡之间的区别而降低模型的特异性。这一局限性凸显出,为提升低收入和中等收入国家的自杀预测精度,迫切需要改进死因数据及自杀监测体系。不过,在当前背景下,非自然死亡仍是一个相关且实用的评估终点:它与有自我伤害症状的个体的自杀行为密切相关,其记录准确性高于单纯的自杀案例,发生频率也更高,因而能提高统计效力,成为有效的预防目标。其次,预测指标是从行政索赔数据中筛选出的精神疾病和物质使用障碍病例,因此排除了未确诊的病例。虽然该群体中抑郁症(13%)和焦虑症(16%)等常见精神疾病的比例似乎较高,但物质使用障碍的记录比例却低于1%,远低于预期患病率。这种情况很可能反映出轻症病例未被充分识别,或是医疗服务提供者不愿对这类带有污名化的疾病进行编码。因此,我们在解读与物质使用障碍相关的结果时需格外谨慎。最后,该模型是在特定的私人保险覆盖且参与HIV项目的群体中开发并经过内部验证的。与更广泛的南非人口相比,这一群体的社会经济地位更高,也能获得更好的医疗服务,这使得该模型难以推广到那些面临更大心理社会压力、依赖公共部门服务的群体。不过,南非的研究结果表明,自我伤害的关键预测因素在不同社会经济群体中可能具有较大一致性。未来的研究应优先在独立的数据库中进行外部验证,尤其是在公共部门,以此评估该模型在有自我伤害史的更广泛人群中的适用性。此外,还需要在临床环境中进行前瞻性验证,以确认模型的校准效果及其实际应用价值。在资源匮乏的环境中,将此类验证纳入更广泛的实施研究之中,有助于提升模型的应用可行性。除了验证之外,还应努力探索如何将预测工具实际整合到日常护理工作中,例如通过网络计算器、电子健康记录或移动平台等方式,并评估其可行性、成本效益、可接受度,以及其对临床医生决策和患者预后的影响。最后,仅能评估风险的预后模型无法确定哪些干预措施最有可能对特定个体产生益处。接下来的重要步骤是制定个性化的治疗方案,将基线风险与治疗效果的异质性证据相结合,从而为患者匹配最能带来预期益处的干预措施。要做到这一点,就需要具备足够样本量的随机试验数据,以便在具有临床意义的各分组中评估效应差异。结论这些预测模型具有良好的区分度、校准性和风险分层能力,能够有效根据患者在因非致命性自我伤害就诊或因自我伤害相关原因住院出院后的非自然死亡概率,对南非私营医疗领域的患者进行排序。临床意义这些模型旨在为临床决策提供支持,帮助确定高风险患者,从而有针对性地实施干预措施,进而更高效地分配往往在低收入和中等收入国家较为紧张的心理健康服务资源。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号