在老年人群中，自殺意念、計劃和行為都是極為嚴重的健康問題，其引致的死亡風險高於其他任何年齡組別。隨著老年抑鬱症發病率不斷攀升，對老年抑鬱患者進行及時有效的自殺風險篩查變得至關重要。
目前，自殺風險篩檢主要依賴結構化的臨床訪談和問卷作評估，完成評估需要不少時間和人力。
由香港大學（港大）腦與認知科學國家重點實驗室主任李湄珍教授帶領的一項研究發現，腦連接模式可以預測老年抑鬱症患者的自殺風險。研究結果已在學術期刊《自然》的子刊物《自然心理健康》（Nature Mental Health）發表。
李教授的研究團隊利用腦成像資料和先進的電腦演算法來預測晚年抑鬱症患者的自殺風險嚴重程度。團隊採用基於連接組學的預測模型，通過全腦靜息態功能連接（在沒有執行任何特定的認知任務時的腦活動連接） 和白質結構連接 （大腦區域之間的結構連接）數據來預測自殺風險。這兩種技術在不同研究中均表現出較高的可重複性和可驗證性。
研究招募了91名老年抑鬱症患者，包括37名無自殺經歷、24名曾有自殺想法或計劃，以及30名曾試圖自殺的患者作評估。研究人員運用腦連接特徵和機器學習的先進電腦演算方法，對三組患者根據不同的自殺風險水平進行分類：無自殺經歷的患者、有自殺想法或計劃的患者以及曾試圖自殺的患者。結果顯示，相較於僅使用問卷分數作評估，採用大腦功能和結構連接作為學習特徵，能提高分類預測的準確性，並在兩個獨立數據樣本中識別出具有更高自殺風險的抑鬱症患者。分類預測三組老年抑鬱症患者的準確度高達8成至9成。相較於僅使用問卷分數，採用大腦功能和結構連接特徵作為學習特徵，提高了大約8%的分類準確性。（圖三）
「自殺是抑鬱症患者最嚴重的結果，他們的離世會給親友帶來巨大的痛苦。我們正在與時間競賽，越早評估風險便越能及早作出干預，藉以挽救生命。 」李教授說。
李教授指出，在區分自殺風險較高與較低的老年抑鬱症患者時，功能連接和結構連接特徵能提高分類的準確性。團隊建議，多模態腦連接能夠幫助捕捉到老年抑鬱症患者自殺風險的個體差異，有望進一步識別需要進行深入評估和干預的患者。在未來的研究工作中，團隊希望能夠透過收集患者的腦影像、心理和行為數據，將這些數據整合到預測模型中，從以建立個性化的自殺風險評分，更好地設計個性化的篩查和干預計劃。
