risk prediction

Objective Non-suicidal self-injury (NSSI) is an urgent and substantial public health concern among adolescents. This study is aimed at identifying the independent psychological predictors of NSSI and developing and validating a logistic regression-based risk discrimination model focused on coping styles. Methods A cross-sectional study involving 206 adolescents (104 with NSSI and 102 healthy controls) was conducted. All the participants provided general demographic data, and completed the Experiences in Close Relationships Inventory (ECR), the Childhood Trauma Questionnaire-Short Form Version (CTQ-SF), and the Coping Styles Questionnaire (CSQ). Univariate and multivariate logistic regression analyses were performed to identify the independent predictors of NSSI. A nomogram was constructed in accordance with the final multivariate model. Model performance was evaluated using receiver operating characteristic (ROC) curves, calibration plots, the Hosmer-Lemeshow (HL) test, and a decision curve analysis (DCA). Results Multivariate logistic regression revealed that a higher level of self-blame (OR = 1.062; 95% CI: 1.023–1.102; P = 0.002) was an independent risk factor, whereas a better problem-solving capacity (OR = 0.911; 95% CI: 0.867–0.957; P < 0.001) was an independent protective factor for adolescents with NSSI. Attachment dimensions and childhood trauma did not retain independent significance after adjustment. The nomogram showed excellent discrimination (AUC = 0.951, 95% CI: 0.922–0.980), good calibration (HL test P > 0.05), and superior clinical net benefit across a wide threshold (0.01–0.99). Conclusion Targeting self-blame and enhancing problem-solving skills may be effective styles for the prevention of adolescent NSSI. As a preliminary finding, the nomogram developed in our study is a useful tool for exploratory differentiation.

Background Diabetes frequently co-occurs with depression, anxiety, and diabetes-related distress, and psychological status directly influences glycaemic control and the risk of complications. Traditional mental health assessment relies on subjective scales. With the growth of digital health, digital phenotyping offers a new paradigm for real-time, objective mental health monitoring and prediction. However, the pathways through which these technologies perform monitoring and prediction remain unclear. Objective This scoping review aimed to systematically map the application pathways of digital phenotyping for mental health monitoring and prediction in people with diabetes, and to use machine learning-assisted text mining to analyse the main research themes and hotspots, thereby informing the future development of individualised risk prediction models and monitoring systems. Methods A scoping review search was conducted in six English databases (PubMed, Embase, CINAHL, Web of Science, Scopus, and the Cochrane Library) and four Chinese databases (CNKI, Wanfang, VIP, and China Biomedical Literature Database[CBM]), covering studies published from database inception to 10 September 2026. The search strategy was built around terms related to diabetes, digital phenotyping, and mental health. Machine learning-assisted literature mining was used to identify thematic patterns in the included studies. The study selection process and overall workflow followed the PRISMA extension for scoping reviews (PRISMA-ScR). Results A total of 2,968 records were retrieved. After screening, 10 studies were included. The evidence indicated that digital phenotyping mainly enables real-time monitoring of mental health in people with diabetes through signals such as continuous glucose monitoring (CGM), passive smartphone sensing, voice, and ecological momentary assessment (EMA). Machine learning methods were widely used for risk prediction modelling, but most studies built models at the group level, with only a few adopting n -of-1 analysis or subgroup prediction to achieve individualised risk prediction. External validation of models was generally lacking, and no intervention studies were identified. Conclusions Preliminary evidence suggests that digital phenotyping has exploratory potential for mental health monitoring and prediction in people with diabetes, but research that genuinely achieves individualised risk prediction remains limited. Closed-loop monitoring-intervention design and multicentre external validation are the main directions for future research. Systematic Review Registration https://osf. io/6wsaj/ .

Background Suicidal behaviors among adolescents are a serious global public health concern and are closely linked to both mental health and everyday lifestyle behaviors. Suicidal ideation, planning, and attempts lie along a spectrum of increasing severity. However, how psychological distress and health-related behaviors interact to influence suicide risk is complex and not yet fully understood. This study aimed to identify key mental health and lifestyle factors associated with different stages of adolescent suicidal behaviors using interpretable machine learning methods. Methods Data were obtained from the 2021 Youth Risk Behavior Surveillance System (YRBS), a nationally representative survey of U.S. high school students. After data cleaning and multiple imputation, 16,946 adolescents aged 14–18 years were included in the analysis. Extreme Gradient Boosting (XGBoost) models were developed to predict suicidal ideation, suicide planning, and suicide attempts. Model performance was assessed using the area under the receiver operating characteristic curve (AUC) and related metrics. Feature importance was examined using gain-based measures, while SHapley Additive exPlanations (SHAP) and partial dependence plots were used to explore the direction, strength, and nonlinear effects of key predictors. Results All three XGBoost models showed satisfactory predictive performance. Mental health factors, particularly persistent feelings of sadness and self-rated mental health, were the strongest predictors across all stages of suicidal behaviors. Lifestyle behaviors, including sleep duration, physical activity, diet, screen time, and substance use, also contributed meaningfully to risk prediction, although their relative importance differed by outcome. SHAP analyses indicated that greater sadness and poorer mental health were strongly associated with higher suicide risk, whereas adequate sleep and higher levels of physical activity were associated with lower predicted risk. Substance use, including alcohol, cigarette, and marijuana use, played an important role in predicting suicide attempts than suicidal ideation or planning. Partial dependence analyses showed nonlinear and threshold effects, especially for sadness, mental health status, and sleep duration. Conclusion Mental health factors, especially persistent sadness and overall psychological well-being, were among the most prominent factors associated with suicidal behaviors among adolescents, while lifestyle behaviors showed important and stage-specific associations. Interpretable machine learning approaches help identify complex and nonlinear patterns associated with adolescent suicide risk and offer valuable insights to guide targeted, evidence-based prevention efforts.

زمینه: رفتارهای خودکشی در میان نوجوانان یک نگرانی جدی بهداشت عمومی در سطح جهانی است و ارتباط نزدیکی با سلامت روان و رفتارهای سبک زندگی روزمره دارد. افکار خودکشی، برنامه‌ریزی و اقدام به خودکشی در طیفی با شدت فزاینده قرار دارند. با این حال، نحوه تعامل پریشانی روان‌شناختی و رفتارهای مرتبط با سلامت برای تأثیرگذاری بر خطر خودکشی پیچیده بوده و هنوز به طور کامل درک نشده است. هدف این مطالعه شناسایی عوامل کلیدی سلامت روان و سبک زندگی مرتبط با مراحل مختلف رفتارهای خودکشی در نوجوانان با استفاده از روش‌های یادگیری ماشین قابل تفسیر بود. روش‌ها: داده‌ها از سیستم پایش رفتارهای پرخطر نوجوانان (YRBS) در سال 2021، که یک پیمایش ملی نماینده از دانش‌آموزان دبیرستانی ایالات متحده است، به دست آمد. پس از پاک‌سازی داده‌ها و برآورد چندگانه، 16,946 نوجوان 14 تا 18 ساله در تحلیل وارد شدند. مدل‌های Extreme Gradient Boosting (XGBoost) برای پیش‌بینی افکار خودکشی، برنامه‌ریزی خودکشی و اقدام به خودکشی توسعه یافتند. عملکرد مدل با استفاده از مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) و معیارهای مرتبط ارزیابی شد. اهمیت ویژگی‌ها با استفاده از معیارهای مبتنی بر gain بررسی شد و برای بررسی جهت، شدت و اثرات غیرخطی پیش‌بین‌های کلیدی از SHapley Additive exPlanations (SHAP) و نمودارهای وابستگی جزئی استفاده گردید. یافته‌ها: هر سه مدل XGBoost عملکرد پیش‌بینی رضایت‌بخشی نشان دادند. عوامل سلامت روان، به ویژه احساسات مداوم غمگینی و ارزیابی ذهنی سلامت روان، قوی‌ترین پیش‌بین‌ها در تمام مراحل رفتارهای خودکشی بودند. رفتارهای سبک زندگی شامل مدت خواب، فعالیت بدنی، رژیم غذایی، زمان استفاده از صفحه نمایش و مصرف مواد نیز به طور معناداری در پیش‌بینی خطر نقش داشتند، اگرچه اهمیت نسبی آن‌ها بسته به پیامد متفاوت بود. تحلیل‌های SHAP نشان داد که غمگینی بیشتر و سلامت روان ضعیف‌تر به طور قوی با افزایش خطر خودکشی مرتبط است، در حالی که خواب کافی و سطوح بالاتر فعالیت بدنی با کاهش خطر پیش‌بینی‌شده همراه بودند. مصرف مواد، از جمله مصرف الکل، سیگار و ماری‌جوانا، نقش مهم‌تری در پیش‌بینی اقدام به خودکشی نسبت به افکار یا برنامه‌ریزی خودکشی داشت. تحلیل‌های وابستگی جزئی اثرات غیرخطی و آستانه‌ای را به ویژه برای غمگینی، وضعیت سلامت روان و مدت خواب نشان داد. نتیجه‌گیری: عوامل سلامت روان، به ویژه غمگینی مداوم و بهزیستی روان‌شناختی کلی، از برجسته‌ترین عوامل مرتبط با رفتارهای خودکشی در نوجوانان بودند، در حالی که رفتارهای سبک زندگی نیز ارتباطات مهم و مرحله‌محور نشان دادند. رویکردهای یادگیری ماشین قابل تفسیر به شناسایی الگوهای پیچیده و غیرخطی مرتبط با خطر خودکشی نوجوانان کمک می‌کنند و بینش‌های ارزشمندی برای هدایت تلاش‌های پیشگیرانه هدفمند و مبتنی بر شواهد ارائه می‌دهند.

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.