تقدير قابل للتفسير لمخاطر الانتحار وشدته من معايير عد الدم الكامل باستخدام طرق الذكاء الاصطناعي القابلة للتفسير

الخلفية: تعتبر المؤشرات الالتهابية الطرفية مهمة في الفيزيولوجيا المرضية للسلوك الانتحاري. ومع ذلك، لم يتم تطوير طرق للاستخدامات العملية بشكل كافٍ بعد. طورت هذه الدراسة نماذج تنبؤية تعتمد على الذكاء الاصطناعي القابل للتفسير (xAI) التي تستخدم العلاقة بين قيم عد الدم الكامل (CBC) ومخاطر الانتحار وشدة محاولات الانتحار. المشاركون والأساليب: تم اختيار 544 مريضًا حاولوا الانتحار بشكل غير مكتمل بين عامي 2010 و2020 و458 فردًا صحيًا. تم الحصول على البيانات من أنظمة التسجيل الإلكترونية. لتطوير نماذج التنبؤ باستخدام قيم CBC، تم تجميع البيانات بطريقتين مختلفتين كمنتحرين/أصحاء وكمحاولات/غير محاولات الانتحار العنيف. تم توازن مجموعات البيانات لضمان موثوقية نتائج نماذج التعلم الآلي (ML). ثم تم تقسيم البيانات إلى قسمين؛ 80% كمجموعة تدريب و20% كمجموعة اختبار. لتنبؤ الانتحار، تم إنشاء نماذج باستخدام خوارزميات Random Forest و Logistic Regression و Support vector machines و XGBoost. تم استخدام SHAP لشرح النموذج الأمثل. النتائج: من بين الطرق الأربعة للتعلم الآلي المستخدمة على بيانات CBC، كان النموذج الأفضل أداءً في التنبؤ بكل من مخاطر الانتحار وشدة الانتحار هو نموذج XGBoost. توقع هذا النموذج السلوك الانتحاري بدقة 0.83 (0.78-0.88) وشدة محاولة الانتحار بدقة 0.943 (0.91-0.976). كانت المستويات المنخفضة من NEU و WBC و MO و NLR و MLR والمسنين والمستويات العالية من HCT و PLR و PLT و HGB و RBC و EO و MPV و BA تساهم بشكل إيجابي في النموذج التنبئي الذي تم إنشاؤه لمخاطر الانتحار، بينما كانت المستويات المنخفضة من PLT و BA و PLR و RBC والمستويات العالية من MO و EO و HCT و LY و MLR و NEU و NLR و WBC و HGB والمسنين لها إسهام إيجابي في النموذج التنبئي الذي تم إنشاؤه لمحاولة الانتحار العنيف. الاستنتاج: تقترح دراستنا أن نموذج xAI الذي تم تطويره باستخدام قيم CBC قد يكون مفيدًا في الكشف عن مخاطر وشدة الانتحار في العيادة.