目的构建留守与非留守中学生自伤的风险预测模型,为制定针对性的干预措施提供科学依据。方法2021年9月―2023年6月采用多阶段抽样方法,在留守儿童分布相对集中的6个省份中抽取14623名<18岁的中学生(留守8471名,非留守6152名)作为研...目的构建留守与非留守中学生自伤的风险预测模型,为制定针对性的干预措施提供科学依据。方法2021年9月―2023年6月采用多阶段抽样方法,在留守儿童分布相对集中的6个省份中抽取14623名<18岁的中学生(留守8471名,非留守6152名)作为研究对象。通过问卷调查收集研究对象的一般情况、创伤性事件和自伤发生情况。分析不同特征留守与非留守中学生自伤的发生情况。采用R 4.3.0软件按照7∶3的比例分别将留守与非留守中学生随机划分为训练集与测试集,构建logistic回归分析模型和随机森林模型,通过受试者工作特征曲线、灵敏度、特异度等指标评估模型性能。结果中学生自伤总体发生率为25.7%,留守中学生自伤发生率高于非留守中学生(χ^(2)=59.266,P<0.001)。Logistic回归分析模型分析结果显示,留守与非留守中学生预测模型训练集的曲线下面积(area under the curve,AUC)分别为0.745和0.756,测试集的AUC分别为0.721和0.726,Hosmer-Lemshow拟合优度检验P>0.05。随机森林模型中,留守中学生自伤的主要预测因素为经历创伤性事件、家庭氛围、和父亲/母亲关系等,模型的灵敏度、特异度、阳性预测值、阴性预测值和F1指数分别为0.740、0.591、0.822、0.470和0.779,Brier分数为0.212,训练集和测试集的AUC分别为0.800和0.729。非留守中学生则以经历创伤性事件、家庭氛围、父母感情状况等为主,模型的灵敏度、特异度、阳性预测值、阴性预测值和F1指数分别为0.785、0.519、0.850、0.411和0.816,Brier分数为0.188,训练集和测试集的AUC分别为0.845和0.724。结论留守中学生自伤风险高于非留守中学生,二者的预测因素虽有不同,但存在高度重叠,其中创伤经历和家庭因素是关键预测变量。两种模型对自伤的识别能力良好,但随机森林模型综合性能更优,本研究构建的预测模型可为早期识别高危人群提供科学依据。展开更多
文摘目的构建留守与非留守中学生自伤的风险预测模型,为制定针对性的干预措施提供科学依据。方法2021年9月―2023年6月采用多阶段抽样方法,在留守儿童分布相对集中的6个省份中抽取14623名<18岁的中学生(留守8471名,非留守6152名)作为研究对象。通过问卷调查收集研究对象的一般情况、创伤性事件和自伤发生情况。分析不同特征留守与非留守中学生自伤的发生情况。采用R 4.3.0软件按照7∶3的比例分别将留守与非留守中学生随机划分为训练集与测试集,构建logistic回归分析模型和随机森林模型,通过受试者工作特征曲线、灵敏度、特异度等指标评估模型性能。结果中学生自伤总体发生率为25.7%,留守中学生自伤发生率高于非留守中学生(χ^(2)=59.266,P<0.001)。Logistic回归分析模型分析结果显示,留守与非留守中学生预测模型训练集的曲线下面积(area under the curve,AUC)分别为0.745和0.756,测试集的AUC分别为0.721和0.726,Hosmer-Lemshow拟合优度检验P>0.05。随机森林模型中,留守中学生自伤的主要预测因素为经历创伤性事件、家庭氛围、和父亲/母亲关系等,模型的灵敏度、特异度、阳性预测值、阴性预测值和F1指数分别为0.740、0.591、0.822、0.470和0.779,Brier分数为0.212,训练集和测试集的AUC分别为0.800和0.729。非留守中学生则以经历创伤性事件、家庭氛围、父母感情状况等为主,模型的灵敏度、特异度、阳性预测值、阴性预测值和F1指数分别为0.785、0.519、0.850、0.411和0.816,Brier分数为0.188,训练集和测试集的AUC分别为0.845和0.724。结论留守中学生自伤风险高于非留守中学生,二者的预测因素虽有不同,但存在高度重叠,其中创伤经历和家庭因素是关键预测变量。两种模型对自伤的识别能力良好,但随机森林模型综合性能更优,本研究构建的预测模型可为早期识别高危人群提供科学依据。
