自杀风险非传统评估法的研究进展

喻 婷，胡德英，许 珂，周 依，滕 芬

（1.华中科技大学同济医学院护理学院，湖北 430030；2.华中科技大学同济医学院附属协和医院）

自杀是一个严重的全球性公共卫生与社会问题，每年约有80 多万人死于自杀[1]。自杀给个人、家庭乃至社会造成了巨大的损失和影响。预防自杀、降低自杀死亡率是一项全球要务，在《精神卫生行动计划（2013—2020 年）》中，世界卫生组织（World Health Or‐ganization,WHO）指出全球都应致力于到2020 年实现各国自杀率降低10%的全球目标[2]。自杀风险评估是临床医护人员对可能有自杀倾向和自杀风险的个体进行评估和分析，进而筛选出高危个体的过程，能为治疗提供依据[3]。通过进行自杀风险评估，并对有自杀意念的个体进行定期测验，在一定程度上是可以预防自杀的[4]。因此，防患于未然，准确评估自杀风险是预防自杀的关键环节，能为后续的干预工作提供依据并创造机会，从而预防自杀。目前评估自杀风险的方法几乎完全依赖于个体自我报告的自杀想法或意念[5]。美国自杀协会（American Association of Suicidology，AAS）[6]强调：个体自我报告的自杀意念并非全部真实。通过量表、问卷等以自我报告为主的传统方法来评估自杀风险[7]，在实际工作中可能会因不信任感、病耻感等多种原因，个体会故意隐瞒或歪曲当前的自杀风险[8‐10]。此外，自杀风险存在不稳定性和波动性[9]，这些局限性使以自我报告为主的传统评估法的检验效度降低。为了克服传统评估法的局限性，国内外学者研制和开发了多种非传统评估方法，包括内隐联想测验(implicit association test,IAT)、情感错误归因程序、生态瞬时评估、机器学习技术等。本文从IAT 及其范式在自杀风险评估中的发展与应用等方面进行综述，同时简要介绍其他非传统评估法，以期为国内学者开展相关研究提供参考。

1 内隐联想测验

IAT 是Greenwald 等[11]于1998 年提出的一种新的内隐社会认知的研究方法，采用计算机进行辨别分类任务，以反应时为指标，通过对目标词和属性词之间自动化联系程度的评估来对个体的内隐态度等进行间接测量[12]。

1.1 IAT 的程序 IAT 的基本过程是在计算机屏幕上呈现一个属性词，让被试尽快地进行辨别归类（即归于某一目标词）并按指定键做出反应，反应时被计算机自动记录[12]。目标词（如花、虫）和属性词（如愉快、不愉快）之间有两种可能的关系：相容的（如花-愉快，虫-不愉快）和不相容的（如花-不愉快，虫‐愉快）。相容或不相容关系是针对被试的内隐认知结构而言，当其内隐认知认为二者是相容时，反应时会更短，反之亦然。利用不相容和相容条件下的反应时之差作为内隐态度的指标。差值越大，表明内隐联系程度越紧密，内隐态度越牢固。以内隐自杀意念的IAT 为例，其测验程序见表1。

表1 IAT 测验程序

1.2 IAT 的范式 IAT 在提出之后被各个领域广泛应用，其局限性也显露出来。研究学者根据需求在传统IAT 的基础上进行了不断的修正与发展，其形式和内容上都有了多种范式，这些范式是对传统IAT 的继承和发展，同时与传统IAT 互相补充。在此主要对用于自杀领域的相关范式进行介绍。

1.2.1 单类内隐联想测验(Single Category Implicit Association Test,SC‐IAT) 单类内隐联想测验是An‐drew 等[13]于2006 年提出的一种范式。传统IAT 使用目标词和属性词的互相补对，通过测量两者间联系程度来评估内隐态度，其测量结果为相对态度[14]，而SC‐IAT可用来测量和单一目标词之间的联系强度，结果倾向为绝对态度，用于评估自杀意念有良好的有效性和可行性[15]。SC‐IAT 是一项类似于IAT 但类别较少的任务，操作更简单，认知要求更低，可能更适合年轻或病情更严重的个体[9]。其测验程序见表2。

表2 SC‐IAT 测验程序

1.2.2 简式内隐联想测验(Brief Implicit Association Test,BIAT) BIAT 由Sriram 等[16]于2009 年 提 出，是传统IAT 的另一种新的范式。相对于传统IAT 需关注4 类刺激（自我和死亡、他人和死亡、自我和生命、他人和生命），在BIAT 中被试只需聚焦于其中两类刺激(自我和死亡、他人和死亡)，此时被试只需注意特定按键(如F 键)反应相匹配的类别，而其他的类别均按另一特定按键(如J 键)，运用了更为简化的指令，明显优化操作流程[17]，且测验时间明显缩短，可在临床时间压力大的临床科室或其他场所中使用[18]。针对传统IAT、BIAT 及SC‐IAT 三者的有效性，国内学者使用三者对大学生自杀意念的测量效果进行了比较，指出BIAT、SC‐IAT 虽在操作流程等方面优于传统IAT，但传统IAT 的效应指标最高，敏感性最好[19]。由于研究对象的单一性，并不能证实结果的普遍性。因此，对于不同范式测量的具体效应大小还需复制在不同人群中进行比较。其测验程序见表3。

表3 BIAT 测验程序

1.2.3 其他 目前研究学者根据临床或研究的需要对传统IAT 的内容也进行了丰富，可使用E‐Prime2.0软件编制具体的测量内容，如抑郁内隐联想测验[20]、内隐联想‐焦虑测验（Implicit Association Test‐Anxiety）[21]等。和自杀密切相关的有死亡/自杀内隐联想测验(death/suicide Implicit Association Test，d/s‐IAT)[22]、死亡内隐联想测验（Death Implicit Association Test）[18]、自我伤害内隐联想测验（Self‐Injurious Implicit Associ‐ation Test，SI‐IAT）[23]。其中d/s‐IAT 是在IAT 的基础上，将“死亡/自杀”词作为直接刺激，用于衡量死亡/自杀与自我的隐性关联程度，d/s‐IAT 可有效评估和预测未来的自杀风险[22]；而自我伤害史是未来反复自杀尝试或自杀死亡的重要危险因素[24]，同时与自我伤害相关的内隐认知可作为自杀行为的风险标记[9]。Nock 等[23]于2007 年提出SI‐IAT，采用自我伤害相关的图片作为刺激，用于衡量个体对自我伤害的隐性关联。随后证明了SI‐IAT 也可准确地判断并预测当前或未来的自杀意念或倾向[25]。Glenn 等[26]进行了一项大样本大范围的研究，对d/s‐IAT 和SI‐IAT 两个范式进行了检验，结果表明二者在自杀评估方面具有特异性，可区分自杀未遂和非自杀性自我伤害。

2 IAT 在自杀风险评估中的应用

IAT 作为一种非传统评估法，目前被广泛应用于自杀风险的评估领域，可通过提供客观的量性结局指标来规避传统评估法的局限性，同时不受社会赞许或期望等主观因素的影响[27]，可有效评估自杀风险，提高其筛查和预测的准确性[28‐29]。IAT 与传统评估法二者属于不同的建构，符合Wilson 等[30]提出的双重态度结构模型。

2.1 自杀风险的筛查 运用标准化的评估工具来识别和区分具有自杀风险个体的过程称为自杀风险的筛查[3]。研究证实，有自我伤害行为的个体往往是自杀的高风险人群[31]。因此，筛查自我伤害行为的个体对于预防自杀的发生有着重要意义。Nock等[23]指出SI‐IAT可对自我伤害的青少年进行了筛查，自我伤害者和非伤害者间在内隐认知上存在明显差异。而Kene[32]复制上述研究，结果与Nock 的研究结果相反。两项研究产生截然不同结果可能是因为Nock 研制的SI‐IAT 使用的刺激为“切割”，而Kene 等[32]的研究对象大多以服药过量作为自我伤害的方法，提出使用与自我伤害方式更直接的刺激会产生更强的结果。以上研究说明，SI‐IAT 对自杀的筛查区分作用取决于SI‐IAT 的刺激内容与被试经历是否匹配，这样的局限性使SI‐IAT 尚不能作为常规筛查工具在实际工作中进行普遍的推广和使用。通过IAT 筛查不仅可以识别区分普通人群有无自杀风险，还可明确高危人群自杀行为的相关信息，如自我伤害发生的新近度、自杀未遂发生的次数。IAT 评分越高，则自我伤害越近或自杀未遂次数越多[26,33]，因此可作为评估当前风险紧迫性的一种方式。

2.2 自杀风险的预测 预防自杀需要对当前或即刻的自杀风险进行评估，同时未来自杀风险的预测同样重要，以达到早识别、早预防、早干预的目的。对自杀或死亡的隐性认同也可以预测未来的自杀风险[34]。Nock 等[35]发现SI‐IAT 能准确地判断目前的自杀状态及预测未来的自杀风险，并且能改善已知风险因素（如抑郁或自杀未遂史）的预测结果，增加对自杀结果的预测 效 能[36]。而Millner 等[9]指出SI‐IAT 没有前瞻性预测自杀的作用，导致结果差异的原因可能是研究对象的自杀经历不同。前者研究对象多有既往自我伤害史，而后者绝大多数并无此经历。Glenn等[34]发现d/s‐IAT在预测未来自杀风险方面表现出良好的准确性。总的来说，不同内容IAT 范式的预测效能不同，而对死亡的内隐认知可能会更好地预测未来的自杀风险，并在一定程度上超过了自我报告指标[37]。还有学者将IAT纳入自杀风险预测模型[38]，为预测提供了新的方法。此外，IAT 预测未来自杀风险具体有效时长的结论尚不一致[33]，因此，还需进一步的大样本多中心研究才能确保研究结果的一般性和准确性。

因此，IAT 作为内隐测量一个信效度较高的成熟工具，可以提供内隐层面信息，加深对自杀现象的理解，同时提高了自杀风险筛查和预测的准确性。在未来可尝试研发IAT 相关的智能应用程序或更为简单的方式，使其更易结合到利用各种移动平台的实时风险评估策略中，更好地在临床中进行推广和使用。

3 其他非传统评估方法

3.1 情感错误归因程序(Affect Misattribution Proce‐dure,AMP)[39]情感错误归因程序是一种新近发展的以投射为基本原理的另一种内隐社会认知研究方法。其操作过程是通过呈现自杀（如一具通过悬挂或枪支自杀的尸体）、阴性（如昆虫吃腐烂的食物）、中性（如凳子或伞）和积极（如儿童开心的笑）的图片，其中自杀的图片作为启动对象，这些图片会引发病人不同的情绪体验，通过统计对比启动对象对不同图片所引发的愉快或不愉快反应比例,来判断被试对这个启动对象的态度是相对积极的还是消极的。AMP 与IAT 相比，不依赖于反应时作为风险度量的标准[40]，更容易对结果进行解释，并且操作流程简单，用时更少，具备较好的信效度[41]。

3.2 生态瞬时评估（Ecological Momentary Assess‐ment,EMA）[42]生态瞬时评估是一种依赖于智能手机的应用程序，该程序可在评估者设定的时间提醒被评估者完成相应的评估问题，评估结果将再发送给评估者[43]。通过EMA 可以根据需求随时评估并及时得到反馈，同时可最大限度地减少传统评估法中回顾性记忆偏差的问题。EMA 基于动态反复自我报告的简短电子访谈，可用于实时和自然环境中的变量评估[44]。Husky 等[45]通过对4 个不同自杀风险样本的研究，证明了EMA 在自杀风险评估领域的可行性和有效性。

3.3 机器学习技术 随着人工智能的发展，机器学习技术随之兴起，国外学者将其应用到病人自杀研究领域，综合多种自杀危险因素建立模型，并取得了显著成效，相对于传统评估法，提供了更为客观、精确的结局指标[46]。Pestian 等[47]采用机器学习技术对急诊科自杀的青少年病人进行了前瞻性研究，指出通过机器学习对病人的谈话进行记录和分析，可区分自杀和非自杀的病人。除此之外，Just 等[48]利用机器学习技术表征人脑中自杀和死亡的相关概念，向病人展示死亡和生命相关词语，同时使用功能性磁共振成像对大脑中的神经活动进行扫描呈现，结果表明此方法可以十分精确地识别病人是否有自杀意念，并且可以进一步区分病人是否有过自杀尝试。机器学习技术不仅可以用于医院等特定的场所，还可广泛地在微博、Facebook 等公共社交软件上对个体发表的自然语言进行分析，以识别有自杀风险的个体，并可通过后台发送相关的支持信息资源。

4 小结

综上所述，非传统评估方法在自杀领域扮演着越来越重要的角色，在信息化的时代，通过智能计算机或机器学习等技术提供客观精确的指标来评估个体自杀风险。由于客观条件的限制，非传统的评估方法在实际工作中，尤其是临床上并未得到推广和普遍应用。同时，自杀是一个复杂的社会现象，受生理、心理和社会等多方面因素的影响，要准确评估自杀风险有一定的困难，但从量表、问卷等传统评估法到IAT、机器学习等非传统评估法，从不同的层面全方位评估个体自杀风险，为更准确评估自杀风险创造了更好的机会，也为后续的干预提供了更加强有力的依据。