ケベック州の健康管理データを使用して自殺のリスクを予測するための説明可能な人工知能モデル

自殺は複雑で多次元の出来事であり、世界的に予防するための重要な課題です。人工知能（AI）および機械学習（ML）が出現し、リスク検出を強化するために大規模なデータセットを活用しています。MLで行われた予測を信頼し、行動するには、より直感的なユーザーインターフェイスを検証する必要があります。したがって、解釈可能なAIは、政策と意思決定者が最終的により良いメンタルヘルスサービスの計画と自殺予防につながる可能性のある合理的かつデータ駆動型の決定を下すことができる重要な方向の1つです。この研究は、自殺の人口リスクを予測し、モデルを解釈するための性別固有のMLモデルを開発することを目的としています。データはケベック統合慢性疾患監視システム（QICDSS）からのものであり、ケベック州の人口の最大98％をカバーし、2002年から2019年の間に20,000人以上の自殺のデータを含む。ケースコントロール研究デザインを採用しました。個人は15歳以上であり、2002年1月1日から2019年12月31日の間に自殺で死亡した場合、症例と見なされました（n = 18339）。コントロールは、毎年15歳以上のケベック人口の1％のランダムなサンプルであり、2002年から2019年まで毎年12月31日に生きていました（n = 1,307,370）。自殺イベントの5年前までに測定された、個人、プログラム、体系、およびコミュニティの要因を含む103の機能を含めました。ロジスティック回帰（LR）、ランダムフォレスト（RF）、極端な勾配ブースト（xgboost）、多層パーセプトロン（MLP）を含む、監視されたMLアルゴリズムを使用して、性別固有の予測リスクモデルをトレーニングして検証しました。感度、特異性、正の予測値（PPV）を含む動作特性を計算しました。次に、自殺とキャリブレーション測定を予測するために、受信機の動作特性（ROC）曲線を生成しました。解釈可能性のために、Shapley Additive説明（SHAP）をグローバルな説明とともに使用して、入力機能がモデルの出力と最大の絶対係数にどれだけ寄与するかを決定しました。最良の感度は、男性のロジスティック回帰で0.38、女性のMLPで0.47でした。男性で0.25、女性で0.19を備えたXgboost分類器は、最高の精度（PPV）でした。この研究は、意思決定および人口レベルの自殺予防行動のツールとして、説明可能なAIモデルの有用な可能性を実証しました。MLモデルには、公開管理システムの意思決定者とプランナーに日常的に利用可能な個別、プログラム、体系、およびコミュニティレベルの変数が含まれていました。それらは因果関係ではないため、予測モデルに関連付けられた変数の解釈には注意が必要であり、個々の治療の価値を確立するには他の設計が必要です。次のステップは、意思決定者、プランナー、臨床医、家族の代表者などの他の利害関係者や、自殺行動や自殺による死亡の経験を持つ人々のための直感的なユーザーインターフェイスを作成することです。たとえば、うつ病または物質使用障害のための地元のプライマリケアプログラムの質の変化、または地域の精神的健康と依存症予算の増加が自殺率を低下させる方法。

Suicide is a complex, multidimensional event, and a significant challenge for prevention globally. Artificial intelligence (AI) and machine learning (ML) have emerged to harness large-scale datasets to enhance risk detection. In order to trust and act upon the predictions made with ML, more intuitive user interfaces must be validated. Thus, Interpretable AI is one of the crucial directions which could allow policy and decision makers to make reasonable and data-driven decisions that can ultimately lead to better mental health services planning and suicide prevention. This research aimed to develop sex-specific ML models for predicting the population risk of suicide and to interpret the models. Data were from the Quebec Integrated Chronic Disease Surveillance System (QICDSS), covering up to 98% of the population in the province of Quebec and containing data for over 20,000 suicides between 2002 and 2019. We employed a case-control study design. Individuals were considered cases if they were aged 15+ and had died from suicide between January 1st, 2002, and December 31st, 2019 (n = 18339). Controls were a random sample of 1% of the Quebec population aged 15+ of each year, who were alive on December 31st of each year, from 2002 to 2019 (n = 1,307,370). We included 103 features, including individual, programmatic, systemic, and community factors, measured up to five years prior to the suicide events. We trained and then validated the sex-specific predictive risk model using supervised ML algorithms, including Logistic Regression (LR), Random Forest (RF), Extreme Gradient Boosting (XGBoost) and Multilayer perceptron (MLP). We computed operating characteristics, including sensitivity, specificity, and Positive Predictive Value (PPV). We then generated receiver operating characteristic (ROC) curves to predict suicides and calibration measures. For interpretability, Shapley Additive Explanations (SHAP) was used with the global explanation to determine how much the input features contribute to the models' output and the largest absolute coefficients. The best sensitivity was 0.38 with logistic regression for males and 0.47 with MLP for females; the XGBoost Classifier with 0.25 for males and 0.19 for females had the best precision (PPV). This study demonstrated the useful potential of explainable AI models as tools for decision-making and population-level suicide prevention actions. The ML models included individual, programmatic, systemic, and community levels variables available routinely to decision makers and planners in a public managed care system. Caution shall be exercised in the interpretation of variables associated in a predictive model since they are not causal, and other designs are required to establish the value of individual treatments. The next steps are to produce an intuitive user interface for decision makers, planners and other stakeholders like clinicians or representatives of families and people with live experience of suicidal behaviors or death by suicide. For example, how variations in the quality of local area primary care programs for depression or substance use disorders or increased in regional mental health and addiction budgets would lower suicide rates.