死亡事例から読み解く神経行動障害：機械学習が浮き彫りにする自殺リスク

法執行機関と検死医の記録を機械学習で分析すると、従来の診断では見落とされていた精神衛生障害が次々と明らかになってきました。特に女性と若い世代で神経行動障害がより強く出ていて、これは自殺予防戦略の大きな転換点になりうる発見です。

背景

自殺予防が直面する根本的な問題がある。危機に直面した人々の心の状態を、いかに正確に理解するか、という点です。従来のやり方では、自殺死亡者の精神医学的特徴を診断する際に、限定的な診断情報に頼るしかなく、結果として多くの心理的障害が見落とされてきました。

そこで注目される枠組みがRDoC（Research Domain Criteria）です。従来の診断分類とは異なり、神経生物学的・心理的な機能を連続体として捉えるアプローチになります。米国の自殺死亡報告システム（NVDRS）に蓄積された法執行機関と検死医の事例記録を、最先端の機械学習で分析することで、従来よりも包括的に精神衛生障害の実態を掴もうとしたわけです。

主な発見

2020～2021年に報告された12歳以上の自殺死亡者72,585人を対象にした分析。その結果は以下の通りです：

• 機械学習は実際に機能した：トークンベースシステムにしろLLM（Meta-Llama-3-8B）にしろ、死亡記録からRDoC領域の情報をきちんと抽出でき、ほぼすべての領域で臨床的に有意な障害スコアが検出されました
• 検出率の高さ：法執行機関の記録の90.9%、検死医の記録の90.5%が、少なくとも1つの臨床的に関連するRDoC障害スコアを含んでいました
• 性別・年齢による違い：女性と若い死亡者は、男性と高齢者に比べて、ほぼすべての領域で臨床的に関連するRDoC障害がより強く現れていました
• 神経行動障害の重さ：自殺死亡者の神経行動障害レベルは、精神科入院患者の入院時と同等の深刻さを示しています。特に負の感情価（negative valence）と覚醒過程の障害が顕著でした
• 従来手法との差：RDoC スコアで検出された障害は、既存のNVDRS記前コード化された精神衛生測度では捉えられなかったものがはるかに多かったというわけです

臨床的意義

こうした発見は自殺予防戦略に対して、いくつもの重要なヒントを与えてくれます。機械学習で死亡記録を分析することで、従来の診断では見過ごされてきた心理的機能障害が浮かび上がり、より正確なリスク評価が可能になるということです。

特に注目すべき点は男性と若い世代です。この層は往々にして正式な精神衛生診断を受けない傾向にありますが、本分析では神経行動障害がはっきり検出されています。見落とされてきたこうした危機信号を機械学習なら識別できる。そういうシステムが実現すれば、臨床の意思決定支援と自殺予防の早期警告が強化され、高リスク個人への早期介入が実現する可能性があります。

限界

もちろん、限界もあります。死亡事例を対象にした分析だからこそ、生きている人への予防的介入に直接つなげる際には注意が必要です。また、分析の対象が法執行機関と検死医の記録であり、その詳細度や記述方法にばらつきがあります。さらに、機械学習モデルの実運用という技術的側面も、導入時には厳密な検証が重要です。

Original paper: Research Domain Criteria and Deaths by Suicide in the National Violent Death Reporting System. — JAMA network open. 10.1001/jamanetworkopen.2026.4024

🎧 ポッドキャストを聴く