Identification of Suicide-Related Subgroups Using Latent Class Analysis: Complementary Insights to Explainable AI-Based Classification

该研究通过对斯里兰卡自杀相关行为数据的潜在类别分析，识别出具有显著不同自杀患病率和临床特征的四个亚组，并发现这种无监督的表型分群与可解释人工智能的分类结果相互补充，为理解自杀异质性和提升评估框架的可解释性提供了新的视角。

要点

这篇论文就像是在做一场**“自杀风险的大侦探游戏”**，但它用了两种完全不同的视角来观察同一个群体。

为了让你更容易理解，我们可以把这项研究想象成在整理一个巨大的、混乱的“情绪与经历拼图”。

1. 背景：为什么需要两种视角？

以前，科学家和医生主要用一种叫**“人工智能（AI）”**的超级计算器来预测谁有自杀风险。

• AI 的视角（像是一个精明的算命先生）： 它看着每个人的特征（比如：有没有睡不好、有没有生气、有没有失业），然后给出一个分数：“这个人风险高，那个人风险低”。它很擅长给个人打分，但它不太能解释为什么这群人会有这样的风险，也不容易看出人群内部其实藏着不同的“小圈子”。

这篇论文想问：如果我们不用算命，而是用“分类法”把这群人分成几个不同的“部落”，会发生什么？ 这两个视角能互补吗？

2. 研究方法：把 1000 个人分成四个“部落”

研究人员拿来了斯里兰卡一家医院的 1000 个有自杀或自伤行为的人的数据。他们没有用 AI 去预测谁死谁活，而是用了一种叫**“潜在类别分析（LCA）”**的方法。

你可以把 LCA 想象成**“自动分班”。它不看谁的成绩（是否自杀）最好，而是看大家的“性格和经历”**（比如：有没有住过精神病院、有没有失业、是不是经常生气、有没有失眠）。

结果，这 1000 个人被自动分成了四个截然不同的“部落”（类别）：

• 部落 1（“生活安稳组”）：

  • 特点： 大部分是女性，有工作，不生气，不失眠，没住过精神病院。
  • 自杀风险： 极低（就像大海里的一滴水，几乎为零）。
  • 比喻： 就像一群在公园散步、心情不错的普通人。

• 部落 2（“情绪风暴组”）：

  • 特点： 大部分是男性，没有住过精神病院，也没被确诊过严重的精神疾病。但是！他们极度痛苦：非常愤怒、非常孤独、睡不好觉、觉得被羞辱。
  • 自杀风险： 极高（91% 的人都自杀了）。
  • 比喻： 就像一群在暴风雨中溺水的人，虽然他们手里没有拿着“精神病诊断书”这个救生圈，但内心的风暴已经把他们淹没了。

• 部落 3（“年长病痛组”）：

  • 特点： 年纪比较大，身体有很多慢性病（比如慢性疼痛），但情绪上反而没那么崩溃，也有工作。
  • 自杀风险： 极低（不到 1%）。
  • 比喻： 就像一群虽然身体有点小毛病，但心态平和、生活规律的老人。

• 部落 4（“重度创伤组”）：

  • 特点： 100% 的人都住过精神病院，有严重的抑郁症或双相情感障碍，以前就尝试过自杀，现在依然极度痛苦。
  • 自杀风险： 极高（99% 的人都自杀了）。
  • 比喻： 就像一群已经受了重伤、在 ICU 里挣扎的人，他们的伤口（精神疾病）非常明显且严重。

3. 核心发现：两个视角的“握手”

这是这篇论文最精彩的地方。研究人员把刚才分好的“四个部落”，和之前那个AI 算命先生的结论放在一起对比：

1. AI 说“愤怒和孤独”最重要： 之前的 AI 模型发现，愤怒、悲伤、孤独是预测自杀最重要的指标。

   • 新发现验证了这一点： 你看，部落 2（情绪风暴组）和部落 4（重度创伤组）虽然一个没住过院，一个住过院，但这两个部落里的人都充满了愤怒和孤独。这说明，无论有没有精神病史，情绪的痛苦是核心杀手。

2. AI 说“住过精神病院”很重要，但不全面： AI 认为住过院是高风险信号。

   • 新发现补充了这一点： 确实，部落 4（住过院）风险极高。但是！部落 2（没住过院）的风险也高得吓人！
   • 比喻： 这就像医生以前只盯着“有没有发烧”来诊断肺炎。但这项研究告诉我们，有些没发烧的人（部落 2），其实肺部感染（自杀风险）一样严重。如果我们只盯着“住院记录”，就会漏掉像部落 2 这样一群沉默的、痛苦但没进过医院的人。

3. 其他细节的共鸣：

   • 失业和低学历在两个高风险部落里都很常见，这和 AI 之前的发现一致。
   • 部落 1 和 3虽然都有人，但一个是年轻女性为主，一个是年长男性为主，这解释了为什么有时候同样的“痛苦”在不同人群里表现不同。

4. 结论：为什么要这样做？

这项研究告诉我们，“自杀风险”不是一张单一的脸，而是一张千变万化的面具。

• AI（分类模型） 就像是一个狙击手，它很准，能瞄准具体的个人，告诉你“这个人危险”。
• LCA（聚类分析） 就像是一个地图绘制师，它画出了地形图，告诉我们“这片区域（部落 2）虽然看起来没有明显的‘精神病医院’标志，但地下全是流沙，非常危险”。

简单的总结：
以前我们可能觉得，只有那些“住过精神病院、确诊过抑郁症”的人才最危险。但这篇研究用“分部落”的方法告诉我们：还有一群人，他们没住过院，看起来“正常”，但内心充满了愤怒、孤独和绝望，他们同样极度危险，甚至更危险，因为他们容易被忽视。

把这两种方法结合起来，医生和 AI 就能更聪明地救人：既要看个人的分数，也要看这个人属于哪个“部落”，从而提供更有针对性的帮助。

技术摘要

这是一份关于论文《利用潜在类别分析识别自杀相关亚组：对可解释人工智能分类的补充见解》（Identification of Suicide-Related Subgroups Using Latent Class Analysis: Complementary Insights to Explainable AI–Based Classification）的详细技术总结。

1. 研究背景与问题 (Problem)

• 核心挑战：自杀和自伤行为具有高度的临床和社会心理异质性。虽然基于机器学习的可解释人工智能（XAI）模型在个体层面的自杀风险预测方面表现良好，但它们主要生成个体预测，可能无法完全捕捉群体层面的模式或潜在的亚组异质性。
• 研究缺口：尽管潜在类别分析（LCA）已被用于识别自杀行为的亚组，但尚无研究直接探讨基于 LCA 推导的风险特征（群体层面）与基于机器学习的特征重要性（个体层面）之间的对应关系。
• 研究目标：利用 LCA 识别具有共同自杀特征模式的亚组，并将其与先前在同一数据集上发表的 XAI 模型结果进行对比，以验证无监督聚类与有监督分类是否能提供互补的视角。

2. 方法论 (Methodology)

• 数据来源：
  • 使用了斯里兰卡科伦坡南教学医院（Colombo South Teaching Hospital）的公开匿名数据集。
  • 样本量：1000 名参与者（500 名自杀死亡者，500 名未自杀者，1:1 平衡）。
  • 变量：包括人口统计学、临床（精神科住院史、诊断、既往自杀尝试等）和社会心理变量（愤怒、睡眠问题、社会隔离等）。
• 统计方法：
  • 潜在类别分析 (LCA)：使用 R 语言的 poLCA 包。
    • 将年龄和职业等连续/多分类变量进行了离散化处理以适应 LCA 要求。
    • 模型选择：从 2 类模型开始逐步增加至 10 类。依据一致性 Akaike 信息准则 (cAIC)、贝叶斯信息准则 (BIC)、Lo-Mendell-Rubin 似然比检验 (LMR-LRT) 以及分类熵（Entropy > 0.80）来确定最优模型。
    • 结果处理：自杀结局变量（是/否）未用于构建潜在类别，而是在类别分配后用于描述各类别的自杀患病率，以评估亚组特征。
  • 对比分析：将 LCA 识别出的亚组特征与先前研究（Tang et al.）中基于 SHAP 值的 XAI 特征重要性模式进行定性比较。

3. 关键结果 (Key Results)

LCA 识别出了4 个具有显著不同特征的潜在类别：

A. 低自杀患病率亚组 (Low Prevalence Classes)

• 类别 1 (n=357, 36%)：
  • 自杀患病率：极低 (0.6%)。
  • 特征：情绪困扰低，精神科病史少，就业率极高 (95%)，女性比例较高 (51.6%)，绝大多数为佛教徒。
• 类别 3 (n=115, 12%)：
  • 自杀患病率：极低 (0.9%)。
  • 特征：年龄较大，躯体疾病（如慢性疼痛）较多，但社会心理困扰低。与类别 1 不同，该组无佛教徒，主要为穆斯林、印度教徒和基督徒，且无泰米尔族成员。女性比例较低 (28.7%)。

B. 高自杀患病率亚组 (High Prevalence Classes)

• 类别 2 (n=330, 33%)：
  • 自杀患病率：极高 (91.2%)。
  • 特征：表现出极高的情绪和社会困扰（愤怒 80.1%、社会隔离 75.6%、睡眠问题 84.9%）。
  • 关键差异：精神科住院史极低 (11.3%)，超过一半无精神科诊断记录。男性为主，就业率较低 (63.5%)。
• 类别 4 (n=198, 20%)：
  • 自杀患病率：最高 (99.0%)。
  • 特征：100% 有终身精神科住院史，既往自杀尝试、自伤行为及精神科诊断（抑郁、双相障碍）普遍。
  • 特征：情绪困扰极高，就业率最低 (60.2%)，男性为主。

C. 与 XAI/SHAP 结果的对比

• 一致性：XAI 模型中排名最高的特征（愤怒、悲伤、社会隔离）在 LCA 的两个高患病率类别（类别 2 和 4）中均显著升高。教育程度较低与高风险的关联在两种方法中均得到验证。
• 互补性发现：
  • XAI 模型将“终身精神科住院史”识别为重要特征。
  • LCA 揭示：精神科住院史仅能解释类别 4 的高风险，而无法解释类别 2 的高风险（类别 2 中住院率极低但自杀率极高）。
  • 这表明，虽然住院史是强预测因子，但缺乏住院史的高情绪/社会困扰群体同样面临极高的自杀风险，这是单纯依赖全局特征重要性可能忽略的异质性。

4. 主要贡献 (Key Contributions)

1. 揭示异质性：证明了自杀风险人群并非同质整体，而是由具有不同临床和社会心理特征的亚组构成。特别是识别出了“高情绪困扰但低医疗接触”（类别 2）这一高风险亚组。
2. 方法学互补：首次直接比较了无监督（LCA）和有监督（XAI）方法。结果表明，LCA 提供了群体层面的背景信息（Context），有助于解释 XAI 模型中特征重要性的局限性（例如，某些特征对特定亚组至关重要，但对整体模型可能表现为非线性或条件性）。
3. 临床洞察：
   • 识别出两个截然不同的低风险亚组（一个以高就业/女性为主，一个以老年/特定宗教为主），提示低风险可能源于多种保护性因素的组合。
   • 强调了对未接受精神科治疗但存在严重社会心理困扰的人群进行干预的重要性。

5. 意义与结论 (Significance & Conclusion)

• 理论意义：该研究证明了将无监督的表型聚类与有监督的预测模型相结合，可以构建更全面的自杀风险评估框架。LCA 能够捕捉到个体预测模型可能忽略的群体结构模式。
• 临床实践：
  • 风险评估不应仅依赖单一的特征权重（如是否有住院史）。
  • 对于没有精神科住院史但表现出严重情绪和社会功能受损（愤怒、隔离、睡眠障碍）的个体，应被视为极高危人群。
  • 未来的机器学习模型可以考虑将“潜在类别成员”作为特征输入，以提升模型的可解释性和分类性能。
• 局限性：数据来自单一中心（斯里兰卡），且为横断面研究，无法推断因果关系。但研究结果与现有文献及 XAI 发现的高度一致性增强了其临床相关性。

总结：这项研究通过结合 LCA 和 XAI，不仅确认了情绪和社会困扰是自杀的核心驱动因素，还揭示了高风险人群的异质性，特别是那些未被精神卫生系统覆盖的高风险群体，为制定更精准的预防策略提供了数据支持。