摘要目的 构建基于多模态生物标志物及机器学习算法的青少年自杀自伤风险预测模型,为早期干预提供依据.方法 选取 2022年1月至2024年12月40例有自杀自伤行为青少年为观察组及50例健康青少年为对照组.收集资料,包括人口学特征(年龄、性别等)、精神心理采用汉密尔顿抑郁量表(HAMD-24)、汉密尔顿焦虑量表(HAMA)、青少年自杀意念与行为量表(ISBA).采用PCR技术检测血液样本明确HPV感染状态;采用免疫组织化学染色(IHC)定量检测P16、Ki67 在口腔黏膜或皮肤组织中的表达水平,结合图像分析软件评估染色强度与阳性细胞比例.通过多模态神经生理评估方法,脑电(EEG)、近红外脑成像(fNIRS)采集大脑功能活动数据.应用多种机器学习算法,包括逻辑回归、随机森林、支持向量机等构建预测模型,以5折交叉验证优化超参数,采用准确率、敏感度、特异度、曲线下面积(AUC)等指标评估模型性能.结果 观察组年龄(15.3±1.8)岁高于对照组(14.1±1.5)岁(P=0.012);观察组汉密尔顿抑郁量表评分(28.6±4.3)分高于对照组(12.5±3.1)分(P<0.001);观察组P16阳性表达率72.5%,高于对照组16.0%(P<0.001),观察组Ki67阳性表达率 68.3%,高于对照组12.0%(P<0.001);观察组脑电α波频段功率值[(15.6±3.2)μV2]高于对照组[(9.2±2.0)μV2](P<0.001);观察组近红外脑成像氧合血红蛋白浓度变化[ΔHbO(3.2±0.8)μmol/L]高于对照组[(1.1±0.3)μmol/L](P<0.001).随机森林算法构建的模型预测性能最佳,AUC为0.847,准确率81.6%,敏感度79.2%,特异度83.4%.结论 多模态生物标志物结合机器学习算法构建的模型,对青少年自杀自伤风险有良好预测能力,可辅助临床早期识别高危个体,为精准干预提供支持.