神経の通常の微分方程式による連続時間および動的自殺未遂リスク予測

自殺は米国の主要な死因の1つであり、原因となる死亡の数は増え続けています。自殺関連行動（SRB）のリスクは動的であり、SRBSは時間と場所の連続体で発生する可能性があります。ただし、臨床医によって行われたか機械学習モデルを通じて実施されるかどうかにかかわらず、現在のSRBリスク評価方法は、SRBリスクを静的として扱い、病院訪問後などの特定の時間と場所に限定されます。このようなパラダイムは、SRBリスクが変動し、リスクスコアの可用性に時間のギャップを作成するため、非現実的です。ここでは、2つの密接に関連するモデルクラス、イベント - グロードとイベント分類を開発します。これは、時系列予測の高度なAIモデルクラスであるニューラルODEに基づく連続軌道としてイベントの動的リスクを予測できます。そのため、これらのモデルは、新しい観察がなくても、将来の時点の連続体全体のリスクの変化を推定することができ、新しいデータが利用可能になるとこれらの推定を更新できます。大規模な電子ヘルスレコードデータベースを使用して、SRB予測のためにこれらのモデルをトレーニングおよび検証します。両方のモデルは、SRB予測の高い識別パフォーマンスを示しました（たとえば、完全なコホートでAuroc> 0.92）、リスクの動的な変化に基づいて斬新で包括的な自殺予防戦略を開発するための最初のステップとして機能しました。

Suicide is one of the leading causes of death in the US, and the number of attributable deaths continues to increase. Risk of suicide-related behaviors (SRBs) is dynamic, and SRBs can occur across a continuum of time and locations. However, current SRB risk assessment methods, whether conducted by clinicians or through machine learning models, treat SRB risk as static and are confined to specific times and locations, such as following a hospital visit. Such a paradigm is unrealistic as SRB risk fluctuates and creates time gaps in the availability of risk scores. Here, we develop two closely related model classes, Event-GRU-ODE and Event-GRU-Discretized, that can predict the dynamic risk of events as a continuous trajectory based on Neural ODEs, an advanced AI model class for time series prediction. As such, these models can estimate changes in risk across the continuum of future time points, even without new observations, and can update these estimations as new data becomes available. We train and validate these models for SRB prediction using a large electronic health records database. Both models demonstrated high discrimination performance for SRB prediction (e.g., AUROC > 0.92 in the full, general cohort), serving as an initial step toward developing novel and comprehensive suicide prevention strategies based on dynamic changes in risk.