自殺是一個不容忽視的公眾健康問題，因為每年全球自殺致死的人數高達 80 萬。所以提前發現自殺傾向及時預防就顯得特別重要。不幸的是，由於自殺是一種高度個人化的行為，而且人類普遍在辨識自殺傾向的能力都相對糟糕。不過好消息是研究人員已經利用機器學習找到預測自殺傾向的方法，且精確率出奇的高；但我們因此需要面對一些倫理方面的問題。
一個人自殺會給親朋好友留下心碎和悲痛，以及如果他們換個心態會怎樣的無解問題。Colin Walsh 是美國范德比大學醫學中心的資料科學家，他在預測自殺風險方面做了一些出色的工作，他希望自己的工作能提出「我能做什麼？」問題以及預防的機會。
Walsh 和同事建立一些機器學習演算法，這些演算法可以預測病人嘗試自殺的可能性，精確度高得嚇人。試驗結果表明，演算法對某人在兩年內是否有自殺傾向的預測精準度達 80%~90%，而預測下週是否會嘗試自殺的準確度則高達 92%。
預測的資料基礎來自各種入院資訊，包括年齡、性別、郵遞區號、用藥及先期診斷等。Walsh和團隊一共收集了范德比大學醫學中心5,167名病人資料，這些病人均承認有過自殘或自殺傾向。他們閱讀每個病例，辨識出其中3,250 個自殺企圖案例。
這組超過5000個病例的資料隨後用來訓練機器，辨識那些有自殺傾向風險的人，並且區分有自殘行為但無自殺企圖的人。研究人員還開發演算法預測一組人的自殺傾向，這群人的數量達12,695，都是隨機選擇、沒有自殺企圖歷史的人。結果表明，在預測這群人的自殺傾向準確度方面，演算法甚至比醫院的預測還準。
Walsh 的論文已在今年 4 月發表在《臨床心理科學》雜誌，這只是研究工作的第一階段。他現在正致力於驗證自己的演算法應用到另一家醫院、完全不同的資料集時也一樣有效。一旦該模型證明有效，Walsh 希望跟更大團隊一起合作建立一套適當的預防方法。他預期在兩年內有一套預防計劃用於測試。他補充說：「我當然傾向於相當快，但在醫療保健方面相當快往往也意味著要幾個月。」
自殺是一種極強烈的個人行為，以至於從人類角度來看，僅根據一組粗糙的資料集不可能做出精準預測。Walsh 說臨床醫生自然會問預測是怎麼得出的，但演算法實在太複雜了（注：其實不是複雜，而是因為機器學習內部是黑箱），抽出單個風險因素不可能。他說：「是風險因素的組合讓我們得出答案。」
話雖如此，Walsh 和團隊仍驚訝地發現，服用褪黑激素（腦白金主要成分）似乎是計算風險的一個重要因素。Walsh 說：「我並不認為褪黑激素是導致產生自殺想法的原因。這一點沒有生理學依據。但對自殺風險來說有一個東西十分重要，就是睡眠失調。」有可能開褪黑激素的處方捕捉到睡眠失調的風險──儘管這點仍是假設，尚有待驗證。
這項研究還引起更廣泛的倫理問題，也就是電腦在醫療保健中的角色是什麼，以及真實的個人資訊應該如何使用。Walsh 說：「意外後果的風險一直都存在。我們的意圖是好的，想建立一套系統來幫助大家，但有時候結果可能會事與願違。」
研究人員還必須確定基於電腦的決策將如何確定對病人的護理。身為一名初級醫療的保健醫生，Walsh 說意識到自己可以按照機器的指令行事這一點令人不安。他說：「如果機器告訴我高風險，但我的臨床現象卻沒有證實這一點，會不會出問題？你會不會因為電腦告訴你而改變原來的護理方式？」
目前為止，機器學習算法基於入院資料。但 Walsh 意識到許多有自殺風險的人並沒有住過院。他說：「我們大部分生活都在醫療保健設施以外的地方度過。如果我們只是依賴醫院的資料來做這項工作，那麼我們也只能取得一部分成果。」
但研究人員還可從哪裡獲得資料？網路是相對有希望的選項之一。Walsh 說，花了那麼多時間在 Facebook 和 Twitter 面，這些社群媒體資料也許可以用來預測自殺風險。「但我們需要工作來證明這一點是正確的。」
Facebook稍早宣布使用自家人工智慧審核有自殘跡象的發文。結果據說已比 Facebook 從那些人的朋友標記為有風險的結果更準確。
訓練機器辨識自殺的告警訊號遠不是那麼直截了當。要想成功預測和預防，Walsh 認為消除自殺污名化必不可少。他說：「如果我們對討論這件事情感到不舒服，就永遠沒辦法幫助那些人。」
不過，隨著自殺導致全球每年 80 萬人死亡，這已成為一個無法忽視的公眾健康問題。鑑於大多數人類包括醫生，辨識自殺風險的能力方面都相當糟糕，機器學習也許可以提供一個重要的解決方案。
留言列表
