scoping review ตาม PRISMA-ScR ค้นฐานข้อมูลสี่แห่งและพบงานต้นฉบับเพียง 8 เรื่องในช่วง 2016-2026 ที่ใช้ AI หรือ machine learning ตรวจ suicidal ideation แผน หรือการพยายามฆ่าตัวตายในวัยรุ่น โมเดลแบบต้นไม้และ ensemble รายงานผลภายในที่มีศักยภาพ แต่หลักฐานยังต่างกันมากและไม่พอใช้ในคลินิกประจำ
ข้อค้นพบสำคัญ
- แหล่งข้อมูลมีทั้งแบบสำรวจโรงเรียน ข้อมูลพฤติกรรมเยาวชนระดับชาติ รายงานครอบครัว การประเมินคลินิก และข้อมูลจิตเวช Random Forest กับ XGBoost ถูกใช้บ่อย แต่คำนิยามผลลัพธ์ วิธี validation และ metric ต่างกันมาก ทำให้เปรียบเทียบคะแนนตรงๆ ไม่ได้ และส่วนใหญ่ยังเป็น internal validation
ทำไมจึงมีความสำคัญระดับโลก
AI อาจช่วยจัดลำดับการติดตาม แต่ false negative อาจพลาดผู้เสี่ยงและ false positive อาจสร้างตราบาปหรือการแทรกแซงเกินจำเป็น ระบบจึงต้องเป็น decision support ที่มีมนุษย์รับผิดชอบ มีทางตอบสนองทันที และไม่แทนการประเมินโดยผู้เชี่ยวชาญ
บทบาทของนักวิจัยไทย
ผู้เขียนที่สังกัดคณะพยาบาลศาสตร์ มหาวิทยาลัยสงขลานครินทร์ มีส่วนสังเคราะห์หลักฐานข้ามจิตเวช พยาบาล และวิทยาการข้อมูล พร้อมเน้นความเป็นธรรม การอธิบายได้ และจริยธรรมก่อนนำใช้
ข้อจำกัดที่ควรรู้
มีเพียง 8 งานและจำกัดภาษาอังกฤษ scoping review ทำแผนที่หลักฐานแต่ไม่ได้ประเมินคุณภาพหรือรวมขนาดผลเช่น systematic review เชิงประสิทธิผล ความต่างระหว่าง ideation, plan, attempt และ composite risk ทำให้คะแนนเดียวอาจซ่อนความเสี่ยงที่ต่างกัน ไม่มีหลักฐานว่าการใช้โมเดลลดการฆ่าตัวตายจริง