中国人民大学心理学系李欢欢团队在《Cerebral Cortex》（SCI Q2，IF=4.6）发表题为“Identifying suicide attempter in major depressive disorder through machine learning: the importance of pain avoidance, event-related potential features of affective processing”的研究论文，基于心理痛苦三因素理论，使用机器学习构建了多模态的自杀识别模型，为自杀预测提供了新视角。

---

正文

1. 研究背景与科学问题

自杀的难预测性是公共卫生领域的重大挑战，涉及行为学、神经生理等多模态的复杂预测指标。作为数据驱动方法，机器学习的模型精度优于传统统计模型，但需结合理论指导选取预测变量和解释结果。自杀的心理痛苦三因素模型由痛苦唤醒（认知评价）、痛苦体验（生理心理症状）和痛苦逃避（动机趋向）构成。以往研究发现，痛苦逃避对自杀未遂的预测效能显著高于抑郁、无望感等经典指标，痛苦逃避的神经表征可以通过情感激励延迟任务揭示。结合基于心理痛苦三因素模型的量表评估及生理特征，如何构建高精度的自杀未遂识别模型值得探究。

2. 研究方法

团队使用特征递归消除的支持向量机算法，对80名重性抑郁症患者（MDD组：32名有自杀未遂史，其他48名无上述经历）和38名健康对照者（HC组）进行三维心理痛苦量表、贝克抑郁量表以及情感激励延迟(Affective Incentive Delay, AID)任务下的感兴趣神经电生理指标的测量，并构建自杀未遂多模态识别模型。结合洗牌算法进行1000次迭代，计算上述变量的重要性。使用AID任务下的感兴趣神经电生理指标构建痛苦逃避、抑郁和自杀未遂单模态识别模型，用于比较模型之间的重要变量重合情况。

3. 主要研究发现

自杀未遂多模态识别模型拟合优良（准确率=83.91%，精确率=0.74，召回率=0.68，AUC=0.90），且优于自杀未遂单模态识别模型（准确率=70.98%，精确率=0.18，召回率=0.03，AUC=0.58）。

痛苦逃避是自杀未遂多模态识别模型中排名第1的变量，抑郁仅排名第8。

痛苦逃避和自杀未遂单模态识别模型中，正反馈阶段诱发的theta波（600~800ms，奖励减中性条件）均为排名第1的变量。

4. 主要结论和学术价值

研究发现，使用多模态数据，痛苦逃避及其脑电生理特征检测重性抑郁症患者自杀未遂具有可行性，且效果良好。其中，痛苦逃避是识别自杀风险的强、稳定预测指标；经历易诱发高心理痛苦的情境可能会损害个体在危险情况下的判断力，并增强个体对自杀相关负面刺激的注意力偏差。

本研究创新性使用了机器学习来量化验证心理痛苦三因素模型中“痛苦逃避”对自杀未遂的预测优势。同时，研究通过对任务态脑电生理特征与行为数据的多模态融合，突破了单一量表或神经指标的局限性。

---

论文信息
▎题目：《Identifying suicide attempter in major depressive disorder through machine learning: the importance of pain avoidance, event-related potential features of affective processing》

▎期刊：《Cerebral Cortex》（IF=2.9，SCI Q2）

▎DOI：10.1093/cercor/bhae156

▎作者：李欢欢（第一作者、通讯作者），魏诗洁（第二作者），孙芳（第三作者），郭婷（第四作者）

▎引用：Li, H., Wei, S., Sun, F., Wan, J., & Guo, T. (2024). Identifying suicide attempter in major depressive disorder through machine learning: the importance of pain avoidance, event-related potential features of affective processing. Cerebral cortex (New York, N.Y. : 1991), 34(4), bhae156. https://doi.org/10.1093/cercor/bhae156

▎原文连接：https://pubmed.ncbi.nlm.nih.gov/38615239/

---

联系方式

学术合作：psylihh@ruc.edu.cn