suicide risk prediction

Suicidal ideation (SI) fluctuates rapidly within individuals, but standard ecological momentary assessment (EMA) uses fixed schedules that miss critical risk windows. We present ARES-SI (Adaptive Reinforcement-Enhanced Sampling for Suicidal Ideation), a reinforcement learning system that personalizes EMA timing to individual risk patterns. ARES-SI combines random forest models to predict active SI probability and non-response likelihood with a Q-learning algorithm to determine optimal assessment intervals (30 min for high-risk states, 3 h for low-risk states, and next day to reduce burden). We trained the system using EMA data from 98 participants across three studies with varied sampling frequencies (4–15 assessments per day; 2359 positive active SI responses) over 28-day protocols. In validation testing ( N = 34; 374 positive active SI responses), the random forest models achieved an AUC of 0.865 for active SI and 0.750 for non-response. ARES-SI demonstrated 65% higher action selection accuracy than random scheduling (0.781 vs. 0.474; macro F1 = 0.650 vs. 0.377), with stronger detection of high-risk windows (30-min recall = 0.810 vs. 0.392) and efficient low-risk scheduling (3-h precision = 0.972 vs. 0.876). These findings provide initial evidence that reinforcement learning can adapt assessment timing to momentary risk.

افکار خودکشی (SI) به‌سرعت درون افراد نوسان می‌کند، اما ارزیابی لحظه‌ای بوم‌شناختی (EMA) استاندارد از برنامه‌های زمانی ثابت استفاده می‌کند که پنجره‌های بحرانی خطر را از دست می‌دهد. ما سامانه ARES-SI (نمونه‌برداری تقویت‌شده تطبیقی برای افکار خودکشی) را معرفی می‌کنیم که یک سامانه یادگیری تقویتی است و زمان‌بندی EMA را بر اساس الگوهای خطر فردی شخصی‌سازی می‌کند. ARES-SI مدل‌های جنگل تصادفی را برای پیش‌بینی احتمال SI فعال و احتمال عدم پاسخ‌دهی با الگوریتم Q-learning ترکیب می‌کند تا فواصل بهینه ارزیابی را تعیین کند (۳۰ دقیقه برای وضعیت‌های پرخطر، ۳ ساعت برای وضعیت‌های کم‌خطر و روز بعد برای کاهش بار). این سامانه با استفاده از داده‌های EMA از ۹۸ شرکت‌کننده در سه مطالعه با فرکانس‌های نمونه‌برداری متفاوت (۴ تا ۱۵ ارزیابی در روز؛ ۲۳۵۹ پاسخ مثبت SI فعال) طی پروتکل‌های ۲۸ روزه آموزش داده شد. در آزمون اعتبارسنجی (N = 34؛ ۳۷۴ پاسخ مثبت SI فعال)، مدل‌های جنگل تصادفی به AUC برابر با ۰.۸۶۵ برای SI فعال و ۰.۷۵۰ برای عدم پاسخ‌دهی دست یافتند. ARES-SI دقت انتخاب عمل را ۶۵٪ بالاتر از زمان‌بندی تصادفی نشان داد (۰.۷۸۱ در مقابل ۰.۴۷۴؛ F1 کلان = ۰.۶۵۰ در مقابل ۰.۳۷۷)، با شناسایی قوی‌تر پنجره‌های پرخطر (یادآوری ۳۰ دقیقه‌ای = ۰.۸۱۰ در مقابل ۰.۳۹۲) و زمان‌بندی کارآمد برای وضعیت‌های کم‌خطر (دقت ۳ ساعته = ۰.۹۷۲ در مقابل ۰.۸۷۶). این یافته‌ها شواهد اولیه‌ای ارائه می‌کنند که یادگیری تقویتی می‌تواند زمان‌بندی ارزیابی را با خطر لحظه‌ای تطبیق دهد.

Suicidal ideation in people with suicide attempt histories may reflect dispositional, contextual, and interpersonal factors. We examined associations among Dark Triad traits, life-event stress, perceived social support, and suicidal ideation in 235 adults with suicide attempt histories recruited from several hospitals and clinics in Iran (53.6% women, 46.4% men; mean age = 33.97 years, SD = 7.90). Participants completed validated self-report measures, and data were analyzed using Bayesian path models, regularized partial-correlation networks, and repeated nested cross-validated elastic-net regression. Across analyses, greater life-event stress was associated with lower perceived social support, and lower perceived support was associated with greater suicidal ideation. Narcissism showed the clearest positive association with suicidal ideation among the Dark Triad traits. The network placed perceived social support at a central position in the multivariable system, and cross-validation indicated that models including perceived social support performed better than models without it. These cross-sectional findings identify perceived social support and narcissism as consistent correlates of suicidal ideation but do not establish temporal or causal relations.

افکار خودکشی در افراد با سابقه اقدام به خودکشی ممکن است بازتاب‌دهنده عوامل سرشتی، زمینه‌ای و بین‌فردی باشد. در این پژوهش، ارتباط میان ویژگی‌های سه‌گانه تاریک، استرس رویدادهای زندگی، حمایت اجتماعی ادراک‌شده و افکار خودکشی در ۲۳۵ بزرگسال با سابقه اقدام به خودکشی که از چندین بیمارستان و درمانگاه در ایران جذب شده بودند (۵۳/۶٪ زن، ۴۶/۴٪ مرد؛ میانگین سن = ۳۳/۹۷ سال، انحراف معیار = ۷/۹۰) بررسی شد. شرکت‌کنندگان پرسشنامه‌های خودگزارش‌دهی معتبر را تکمیل کردند و داده‌ها با استفاده از مدل‌های مسیر بیزی، شبکه‌های همبستگی جزئی منظم‌شده و رگرسیون الاستیک نت تودرتو و تکرارشونده با اعتبارسنجی متقاطع تحلیل شدند. در تمامی تحلیل‌ها، استرس بیشتر ناشی از رویدادهای زندگی با حمایت اجتماعی ادراک‌شده کمتر و حمایت اجتماعی ادراک‌شده کمتر با افکار خودکشی بیشتر همراه بود. در میان ویژگی‌های سه‌گانه تاریک، نارسیسیسم بیشترین ارتباط مثبت را با افکار خودکشی نشان داد. شبکه، حمایت اجتماعی ادراک‌شده را در موقعیت مرکزی سیستم چندمتغیره قرار داد و اعتبارسنجی متقاطع نشان داد مدل‌هایی که حمایت اجتماعی ادراک‌شده را دربرمی‌گیرند عملکرد بهتری نسبت به مدل‌های فاقد آن دارند. این یافته‌های مقطعی، حمایت اجتماعی ادراک‌شده و نارسیسیسم را به عنوان همبسته‌های ثابت افکار خودکشی شناسایی می‌کنند اما روابط زمانی یا علّی را اثبات نمی‌کنند.

The integration of Artificial Intelligence (AI) into psychiatry is progressing rapidly, with promising yet underexplored applications in suicide prevention. While most existing studies have focused on suicide risk prediction, AI could be applied more broadly across the suicide prevention continuum. This review explores AI's potential in improving the detection of suicidal ideation (SI), enhancing clinician training, and expanding patient access to psychotherapeutic support. Studies suggest that AI models may identify SI more sensitively than clinicians by detecting subtle linguistic or semantic cues. Furthermore, AI-based virtual patients have been shown to improve clinicians' confidence and accuracy in suicide risk assessments, particularly when used alongside traditional training methods. On the patient side, CBT-inspired AI tools offer scalable, on-demand support, but most remain unregulated and clinically unvalidated. Despite their perceived empathy and availability, such tools pose ethical and clinical risks. Many patients use AI tools without professional guidance, a trend clinicians often underestimate. This disconnect calls for urgent regulatory oversight and professional engagement. Without clear clinical validation, AI-based tools may evolve outside medical frameworks, exposing vulnerable individuals to preventable harm. Psychiatry must not only adapt but also lead, ensuring that innovation is harnessed responsibly to serve patients with empathy, safety, and scientific rigor.

ادغام هوش مصنوعی (AI) در روان‌پزشکی با سرعت زیادی در حال پیشرفت است و کاربردهای امیدبخشی، اما کمتر مورد بررسی قرار گرفته‌ای در پیشگیری از خودکشی دارد. در حالی که بیشتر پژوهش‌های موجود بر پیش‌بینی خطر خودکشی متمرکز بوده‌اند، هوش مصنوعی می‌تواند به طور گسترده‌تری در سراسر طیف پیشگیری از خودکشی به کار گرفته شود. این مرور، پتانسیل هوش مصنوعی را در بهبود شناسایی افکار خودکشی (SI)، ارتقای آموزش درمانگران و افزایش دسترسی بیماران به حمایت روان‌درمانی بررسی می‌کند. مطالعات نشان می‌دهند که مدل‌های هوش مصنوعی ممکن است افکار خودکشی را حساس‌تر از درمانگران با شناسایی نشانه‌های زبانی یا معنایی ظریف تشخیص دهند. افزون بر این، بیماران مجازی مبتنی بر هوش مصنوعی باعث افزایش اعتماد به نفس و دقت درمانگران در ارزیابی خطر خودکشی شده‌اند، به ویژه زمانی که در کنار روش‌های سنتی آموزش مورد استفاده قرار گیرند. از سوی دیگر، ابزارهای هوش مصنوعی الهام‌گرفته از درمان شناختی-رفتاری (CBT) برای بیماران، حمایت مقیاس‌پذیر و در دسترسی را ارائه می‌دهند، اما بیشتر آن‌ها بدون نظارت و اعتبارسنجی بالینی باقی مانده‌اند. با وجود همدلی و دسترسی ادراک‌شده این ابزارها، آن‌ها خطرات اخلاقی و بالینی ایجاد می‌کنند. بسیاری از بیماران بدون راهنمایی حرفه‌ای از ابزارهای هوش مصنوعی استفاده می‌کنند، روندی که درمانگران اغلب آن را دست‌کم می‌گیرند. این گسست نیازمند نظارت فوری مقرراتی و مشارکت حرفه‌ای است. بدون اعتبارسنجی بالینی روشن، ابزارهای مبتنی بر هوش مصنوعی ممکن است خارج از چارچوب‌های پزشکی تکامل یابند و افراد آسیب‌پذیر را در معرض آسیب‌های قابل پیشگیری قرار دهند. روان‌پزشکی باید نه تنها خود را تطبیق دهد، بلکه رهبری کند تا اطمینان حاصل شود که نوآوری به گونه‌ای مسئولانه برای خدمت به بیماران با همدلی، ایمنی و دقت علمی به کار گرفته می‌شود.