背景：据估计，2021年美国有170万人尝试自杀，其中抑郁症是导致自杀意念或企图的最常见诊断的精神疾病。自杀意念（SI）是自杀企图（SA）的强烈预测因子，因此检测SI的指标可能对识别冒自杀企图风险的个体至关重要。机器学习和人工智能在发现增加自杀风险方面具有潜力，可以帮助已建立的临床评估。这可能使临床医生在关键时刻提供挽救生命的干预。语音和语言可能是自杀思想和行为的预测因素，因为言语和词汇选择的变化可能表现为增加的自杀风险的标记。利用机器学习，现有文献已从书面文件中提取语音特征以确定风险（例如社交媒体帖子）。这项新颖的研究旨在从音频录制的语音中提取自然语言处理（NLP）特征，并使用这些特征在机器学习框架中预测SI和SA。

方法：从住院和门诊精神科设置中招募了患有重度抑郁症和/或边缘人格障碍的参与者（N = 229），并要求他们对几种语言评估做出回应（例如段落阅读图片描述开放式问题）。从音频样本中提取了NLP语音特征。这些特征与在评估时采集的哥伦比亚自杀严重程度评分量表（CSSRS）的自我报告分数以及最近SA的二进制分数一起编制。在变量减少技术后，两个预测模型分别针对在评估时的SI（根据CSSRS）和最近SA（根据自我报告和电子病历）进行了训练。两个模型在80/20拆分后进行了验证。

结果：我们的梯度增强算法模型在最近SA的测试集上实现了准确率为0.67（AUC = 0.76）。我们的模型在评估时的SI的测试集上实现了准确率为0.76（AUC = 0.80）。

结论：该模型在预测SI方面更成功，表明言语可能是SI的生物标志物。在两种情况下，我们的模型均优于随机猜测。未来的工作应评估在诊断或性别中是否存在特定效应，以及在独立数据集中测试以评估泛化性的潜力。未来的工作还可以探索将临床评分作为模型的预测因子。此外，应根据已测试的模型中的重要性来调查NLP特征。