一项发表于9月11日《PLOS Medicine》期刊的最新研究发现，当前用于预测自杀行为的机器学习算法准确率过低，无法有效用于临床筛查或识别高风险人群，不具备实际应用价值。 研究人员由澳大利亚墨尔本大学的Matthew Spittal领衔，对53项此前使用机器学习算法预测自杀、自伤及两者合并结局的研究进行了系统性回顾与荟萃分析。这些研究共涵盖超过3500万份电子健康记录和近25万例自杀或需住院治疗的自伤案例。 研究结果显示，尽管这些算法在识别“低风险人群”方面表现良好（即高特异性），能有效排除不会发生自伤或自杀的人，但其敏感性极低——即未能识别出大量真正会自伤或自杀的个体。具体而言，超过一半最终出现自伤或自杀行为的人被算法错误地归为“低风险”。而在被标记为“高风险”的人群中，仅有6%最终死于自杀，不到20%再次因自伤就医。 研究团队指出：“这些机器学习算法的预测能力差，甚至不如传统的风险评估量表。整体研究质量堪忧，多数研究存在高风险或不确定的偏倚。”他们强调，目前尚无足够证据支持修改现有临床指南。 此外，全球多项临床实践指南已明确反对将自杀风险评估作为分配后续干预资源的唯一依据。研究作者表示，当前机器学习算法并未展现出优于传统工具的表现，因此没有理由改变现有指南，也不应将其用于临床决策支持。尽管人工智能在医疗领域备受关注，但在预测自杀行为方面，仍远未达到可信赖的水平。