Scalable prediction of suicidal risk in university students: a three steps machine learning approach in university settings.

چکیده اصلی

Suicide is a leading cause of death among young adults, with university students representing a particularly vulnerable subgroup. Although prevention efforts often depend on psychopathological symptom assessments, these are resource-intensive and less practical for large-scale screening. This study evaluated whether easily collectable contextual and psychosocial variables can independently predict suicidal risk in university students. Data from 470 university students were analyzed using random forest machine learning (ML) algorithm. Three models were developed: Model 1 included 53 contextual and psychosocial variables (sociodemographic, lifestyle, social support, academic stressors, and health); Model 2 relied solely on 10 psychopathological symptom scales; and Model 3 integrated all variables. Predictive performance improved progressively across the three models (AUC = 0.72, 0.77, and 0.80, respectively). Key predictors included both contextual and psychosocial variables (e.g. low social support, diminished university belonging) and psychometric evaluation of symptoms (anxiety, depression, coping strategies). Taken together, these results show that contextual and psychosocial variables provide meaningful information for identifying university students at risk for suicide, and psychometric symptom measures offer further refinement of risk detection. Findings are discussed in relation to the Interpersonal Theory of Suicide and Escape Theory. This ML approach offers a scalable framework for suicide risk screening in academic settings.

ترجمه فارسی چکیده

خودکشی یکی از علل اصلی مرگ در جوانان است و دانشجویان دانشگاهی زیرگروهی آسیب‌پذیر را تشکیل می‌دهند. اگرچه تلاش‌های پیشگیری اغلب به ارزیابی علائم روان‌پزشکی وابسته هستند، اما این روش‌ها منابع‌بر هستند و برای غربالگری مقیاس‌بالا کمتر کاربردی هستند. این مطالعه بررسی کرد که آیا متغیرهای زمینه‌ای و روان‌اجتماعی که به راحتی قابل جمع‌آوری هستند، می‌توانند به طور مستقل ریسک خودکشی در دانشجویان را پیش‌بینی کنند. داده‌های ۴۷۰ دانشجوی دانشگاه با استفاده از الگوریتم یادگیری ماشین جنگل تصادفی تحلیل شد. سه مدل توسعه یافتند: مدل ۱ شامل ۵۳ متغیر زمینه‌ای و روان‌اجتماعی بود، مدل ۲ صرفاً بر اساس ۱۰ مقیاس علائم روان‌پزشکی بود و مدل ۳ تمام متغیرها را ادغام کرد. عملکرد پیش‌بینی در سه مدل به طور متوالی بهبود یافت (AUC = ۰.۷۲، ۰.۷۷ و ۰.۸۰ به ترتیب). پیش‌بینی‌کنندگان کلیدی شامل متغیرهای زمینه‌ای و روان‌اجتماعی (مانند حمایت اجتماعی کم و تعلق کم به دانشگاه) و ارزیابی علائم (اضطراب، افسردگی، استراتژی‌های مقابله‌ای) بودند. این نتایج نشان می‌دهند که متغیرهای زمینه‌ای و روان‌اجتماعی اطلاعات معناداری برای شناسایی دانشجویان در معرض خطر خودکشی ارائه می‌دهند و مقیاس‌های علائم روان‌سنجی برای بهبود تشخیص ریسک استفاده می‌شوند. این رویکرد یادگیری ماشین یک چارچوب مقیاس‌پذیر برای غربالگری ریسک خودکشی در محیط‌های دانشگاهی ارائه می‌دهد.

متن کامل اصلی