A Review of Suicide-Related Risks through Propensity Score Methods using the Maryland Suicide Data Warehouse

预测谁可能自杀是医学领域最困难的挑战之一。医生和研究人员早已知道，某些情况（如严重的抑郁症或物质滥用）会使一个人更有可能死于自杀。然而，了解哪些因素最为重要是非常复杂的，因为人们很少只面临单一的问题。一个人可能同时在应对焦虑、失业以及慢性疼痛。当研究人员试图使用计算机模型来研究这些情况时，大量重叠的因素会使结果变得混乱。很难判断某个特定的诊断是否是风险的原因，还是仅仅是该患者艰难生活环境的一个副作用。为了解决这个问题，科学家们开发了统计工具，这些工具就像一个天平，允许他们对不同的人群进行加权，以便能够进行公平的比较，仿佛除了正在测试的那个因素外，他们在其他方面都是完全相同的。

约翰斯·霍普金斯大学的一个研究小组决定将这些工具应用于大规模的现实世界数据，以观察它们是否能澄清真正驱动自杀风险的因素。他们利用了马里兰州的一个数据库，该数据库将医院和诊所的医疗记录与官方死亡记录联系起来。这使他们能够观察近一百万名在世患者，并将其与 2016 年至 2020 年间去世的近两千名自杀者进行对比。研究人员希望看到使用这些先进的加权方法是否会改变数据所讲述的故事，特别是关于人们在去世前一年就医频率以及他们所携带的具体诊断情况。

研究人员首先观察了没有任何调整的原始数字。不出所料，他们发现，与在世患者相比，死于自杀的人更有可能被诊断出患有精神类疾病，如双相情感障碍、创伤后应激障碍或精神分裂症。他们也更有可能受到药物或酒精滥用的困扰。在未调整的数据中，患有双相情感障碍使一个人看起来比没有该诊断的人更有可能死于自杀，其风险倍数约为 26 倍。同样，有物质滥用史或社会困境（如住房不稳定）也显示出与结果的强关联。数据还显示，这些人看医生、看急诊和住院的频率远高于普通人群，尤其是在他们去世前的几天和几周内。

然而，一旦研究人员应用统计加权方法来平衡各组，故事发生了显著变化。当他们考虑到患有精神疾病的人通常伴随有其他重叠问题时，某些因素与自杀风险之间的联系强度发生了偏移。对于某些情况，风险似乎比最初的数字显示的还要高。例如，在平衡各组后，阿片类药物使用与自杀死亡之间的联系变得更强，调整后的分析显示的优势比为 3.08，而初始模型为 2.1。对于患有多种物质使用障碍的人来说也是如此，调整后的分析显示，他们的风险远高于简单的住院次数所能体现的程度。

最令人惊讶的转变可能发生在社会需求方面。在未调整的分析中，拥有被编码的社会需求（如住房不稳定或粮食不安全）实际上似乎降低了自杀风险，这看起来非常违背直觉。但一旦研究人员使用加权方法来解释这些患者所面临的复杂医疗和社会因素，情况完全反转了。调整后的结果显示，这些社会困境实际上是强力的风险因素，使自杀死亡的可能性增加了三倍以上。这表明最初的模型忽略了全貌，很可能是因为有严重社会需求的人也接受了不同类型的护理，从而掩盖了真实的危险。

研究还密切关注了人们看医生的频率以及这些就诊发生在去世前多久。研究人员发现，接触频率是一个强大的信号。与在世患者相比，死于自杀的人在去世前一年的医疗接触次数要多得多。这种差异在生命的最后一周变得最为剧烈。在去世前的七天内，2.6% 的去世者经历了六次或更多次的独立医疗就诊，而对照组中的在世患者中只有极小部分有如此多次的就诊。当研究人员根据这种高频接触计算风险时，差异非常显著：在一周内进行六次或更多次就诊与风险增加近百倍相关。这一模式在他们使用的所有统计方法中都成立，证实了医疗活动的突然激增是一个关键的预警信号。

研究人员得出结论，这些统计加权工具对于获得正确答案至关重要。他们发现，传统方法往往会抹平细节，使得很难看清风险因素的真实强度。通过使用这些工具，他们可以发现社会困境与自杀之间的关系比之前认为的要强得多，而且在生命最后阶段接收到的医疗护理总量是衡量风险的一个巨大指标。这项研究并不声称已经解决了预测自杀的问题，但它提供了一种观察数据的更清晰的方式。它表明，当临床医生看到一位具有社会困境史或医疗就诊量突然增加的患者时，他们面对的是比标准模型所指示的更高水平的危险。这项工作强调，理解自杀风险需要观察整个个体及其整个护理历史，而不仅仅是孤立的诊断。