基于贝叶斯网络的精神障碍者暴力危害行为智能预警模型的构建

向 静, 陈东曦

(1.重庆市高校物证技术工程研究中心， 西南政法大学; 2.重庆市高校刑事科学技术重点实验室; 3.特殊人群心理与智能管控研究中心, 重庆 401120)

0 引言

近几十年来，对精神疾病的研究随着脑科学的发展迈上了新台阶，然而，对于日益增多的精神障碍者暴力危害事件的发生，依旧缺乏相对系统完善的管控和预警机制。精神障碍并非必然导致犯罪，但毫无疑问，病理性精神症状对患者实施暴力攻击行为存在或多或少的影响。近年来，世界各国精神患病率急剧上升。在国内，由于社会转型而带来的生活节奏的急剧变化和前所未有的生存与竞争压力，使得人们面临着巨大的心理压力，我国公民心理问题日益凸显，而具有暴力倾向的严重精神障碍者则成为了社会治安的严重隐患。2009年中国疾病预防控制中心发布的统计数据显示，国内精神障碍患者数量已达1亿人以上，严重精神障碍患者约有1 600万人，2017年中国卫计委公布的在册管理的严重精神障碍患者为540万例[1]。由以上数据可知，当前，大部分精神障碍患者尚未就诊，更未在册管理，有严重治安隐患。2018年1月23日，中央政法工作会议提出：增强工作预见性，深化智能化建设，并专门强调为防控好公共风险，需落实肇事肇祸严重精神障碍患者的救治和监控问题。然而，当前对严重精神障碍者的管控工作依旧存在诸多难题，如卫生管控系统与公安管控系统信息不通，上层管理决策者受制于缺乏一线工作的第一手资料；自上而下的管理方针的针对性与可操作性不强；精神障碍者的管控工作涉及部门多，各部门间的协作机制缺乏等。而当前精神医学、心理学、刑法学、犯罪学等相关领域的研究自成体系，缺乏对严重精神障碍者危害行为防控的综合性研究，更缺乏针对性的“事前预防”机制和智能化、现代化的管控方法。可见，构建一个针对性强的严重精神障碍者暴力危害行为的智能预警体系刻不容缓。

1 精神障碍者攻击行为预测研究概况

对精神障碍者暴力危害行为的研究早在70年代就拉开了帷幕。自70年代初，对精神障碍者攻击行为的预测研究便已经开始了。而随着多国相关法规的出台，其中规定须以精神障碍者攻击行为作为强制收入住院或实施约束隔离的一项必要标准，这促进了相关的研究，但当时学者们主要关注精神障碍者的一般资料分析和对暴力攻击行为本身的描述。随着司法领域需求的提出，对精神障碍者的攻击行为预测研究也由“治疗需要”评估向“危险性”预测转移[2]。

多数学者接受的关于攻击行为的定义为：对另一个体的心理、躯体状态进行伤害及试图进行伤害，或对其他目标(如物体)进行破坏的行为，其极端形式称暴力行为，是多数生物体普遍存在的适应性行为。而精神障碍者的攻击行为多属于病理攻击行为，是由于心理、社会与生物因素所致的心理障碍，或病理性精神症状支配下所产生的对他人、物体与社会规范的侵犯行为[3]。常见的精神障碍者暴力危害行为的本质便是其攻击行为，而现代精神医学研究者对精神障碍者攻击行为的预测研究则主要从攻击行为的预测因子、预测方法、预测工具及预测准确性评价等方面进行。

对于预测因子方向的研究，较早时期多见于有关人口统计学资料、精神病诊断与攻击行为的方面[4]。90年代，研究者们就从年龄、性别以及诊断等方面进行了细致的调查研究。Monahan等[5,6]认为将诊断本身作为攻击行为的预测因子并不可靠，因为在检测人口学资料等条件的情况下，攻击行为在诊断因子的差异方面将变得不明显。此外，一些研究者分别对住院精神病人和非住院精神病人进行了研究以期寻找稳定的社会心理因子。时至今日，国内外文献对于一般人口学资料研究方面呈现较一致的报道，诸如诊断、年龄、性别、工作经历、生活状况、既往攻击行为史等因素对于精神障碍者攻击行为的发生的预测有极大的价值[7]。除此之外，生物学预测因子的研究也是研究者们一直以来关注的焦点。Brown[8]发现5-HIAA水平对于预测攻击行为有较大的帮助，Lavine[9]研究发现对比健康的对照人群，伴攻击行为人群去甲肾上腺素代谢产物的水平更高。而除了内分泌因素，电生理因素、基因因素、脑损害因素等在现今的生物学因素研究也受到重视。目前，精神障碍者攻击行为的风险因素主要由一般人口学资料因素、精神心理因素、环境因素、生物学因素4大因素组成[10]，作为建立精神障碍者暴力危害行为的风险预警系统的核心基础，必须引入这些风险因子。

总的来说，国外在精神医学上关于精神障碍者攻击行为风险评估的研究起步较早，而今已有较大的进展，其方法基本划分为基于临床经验评估、使用评估工具进行临床式的评估以及系统化、综合化评估3个阶段，从主观的依赖经验进行的判断到单纯依靠评估工具进行评估，再到结合两者的综合评估，从静态的观察到动态的评估，对于精神障碍者攻击行为风险管理的研究不断朝着更强的灵活性与更高的客观性为目标迈进[11]。而国内的相关风险评估研究主要借鉴国外研究成果，也有许多学者尝试将国外的风险评估量表引入国内使用，并不断调整完善，但由于国情、文化等方面的差异，评估准确性还有待进一步观察。

2 人工智能技术在精神障碍者暴力危害行为预测预警中的可行性分析

为了对精神障碍者的攻击风险做出及时准确的评估，攻击行为风险评估工具应运而生。1984年Yudofsky[12]编制了外显攻击行为量表(MOAS)，将攻击行为的种类细分为“言语攻击”“对财产的攻击”“自身攻击”“体力攻击”，并按照0～4级共5个级别的评估，以更符合临床的记录。Almvik等[13]在前人研究的基础上发展出Broset量表(BVC)以评估住院精神障碍患者在24 h内攻击行为的暴力风险，而Abderhalden等[14]又进一步将BVC与主观的视觉模拟量表VAS结合发展出BVC-VAS量表，其条目少、预测准、用时短的优点在临床上得到了较多的好评。由Webster[15]编制的包括历史变量、临床变量、风险管理变量等的评估量表20项临床历史评估(HCR-20)，在评估精神障碍病人暴力危险性的大小方面具有良好的预测效度，现已有16种语言版本，在20多个国家广泛应用。目前，现代用于评估暴力攻击行为预测评估的工具种类繁多，除去上述提及的几种量表，常用的评估工具还包括简明精神病测定量表(BPRS)、改进版外显攻击行为量表(MOAS)等，每个量表各具特色，使用目的不尽相同，但大多更适用于精神科临床护理，而非社会环境复杂多变的社区监护。此外，实践证明，即使是公认最常用的评估工具，对风险评估的效果也是有限的。

如今，随着人工智能技术的兴起与广泛应用，给诸多行业带来了变革的契机。在犯罪预防领域，“AI+犯罪预防”的新型模式成为了一大热门，通过收集如视频、图像等诸多数据信息作为人工智能运行的基础数据库，再结合机器学习、生物识别、图像理解等技术，将各类跨媒体异构的复杂数据应用于人工智能，达到跨场景复杂空间行为理解、社会形态分析、社会观测和认识等效果的手段，进而将当前的事物变化与犯罪的发生、发展相关联，以实现智能化预警监测与安全控制系统的构建。

在精神障碍者的服务管理领域，由于我国的精神卫生资源严重不足，社区精神卫生团队还不完善，令人不得不将目光投向人工智能技术，并思索其在具体实践领域运用的可能。由于严重精神障碍者的人口统计学数据、既往史有其特殊性，且处于发病期时行为多怪异，通常情绪、情感不协调，伴有妄想、幻觉、思维混乱、行为严重紊乱或异常，病程长，且会反复发病，有可供识别及早期预测的特点。街道、社区管控人员对严重精神障碍者会定期进行随访，可形成海量的数据，但遗憾的是，目前随访的精神症状、服药情况、有否有危险性行为等数据是以书面表格的形式记载，并没有形成网络数据库，对精神障碍者的危害行为的预防无明显作用。此外，笔者对多名致命案的精神障碍者家属进行走访，家属普遍反映，作案前一段时间患者已经出现明显异常的行为，如打骂家人、挥舞菜刀、手持剪刀、作息不正常、称别人要害自己、报警、扔石头等行为，这些早期危险行为可通过物联网、随访大数据、家属上报等多种方式形成预警信息。

如今，通过机器学习来预测精神疾病的发病和治疗结果已经成为了现实。发表在Molecular Psychiatry上的一项最新研究显示：通过机器学习算法和颞上皮层的功能连接，确定了首发精神分裂症患者药物治疗的准确率为78.6%，并以82.5%的准确率预测了他们对抗精神病治疗的反应。依托客观测量，应用推论统计、用现代技术和数据驱动的方法改善精神病学中的循证医疗决策等方面，已经取得一定成果，即使困难重重，未来有很大发展空间[16]。

现有的人工智能技术已然可以做到将现实中的某些现象或者某些规律转化为数据，依托算法模型，围绕输入目标，建立起一套科学的关联网络，通过这样的技术手段，将收集到的关联精神障碍者危害行为的信息元素与现实的事实认定进行正确的匹配、推导、预测等，并配合希望获取的信息，对危害行为预测的结果采取适宜的措施和手段，以达到有效的管控与预防。因此，对严重精神障碍者，借助人工智能技术构建一套具有针对性、实时性、个性化的严重精神障碍者危害行为预警体系，并引入“AI+危害行为预测预防”的新型模式，应具有较高可行性。

3 贝叶斯网络预测方法简况

近年来，贝叶斯网络预测的方法成为了炙手可热的话题。贝叶斯网络又名信度网络，是基于贝叶斯理论的一种不定性因果关联模型，蕴含着网络节点、变量之间的因果关系及条件相关关系，能在有限的、不完整的、不确定的信息条件下进行学习和推理，并有效地进行多源信息表达与融合。通过节点表示随机变量、条件概率表达关系强度、没有父节点的节点用先验概率进行信息表达来进行网络的构成。贝叶斯网络方法可以更好地结合传统的经验判断方法与常规评估测量的优点，通过网络的运作与运算，以收集到的临床数据及其他资料信息为依据，不断修正作为先验概率被输入的初步主观判断，最终输出可信度较高的结果。在可行性方面，得益于现代计算机技术解决了高维积分这一限制贝叶斯统计应用的技术问题，贝叶斯方法在理论和应用上得到了长足的发展，而贝叶斯网络方法主要依赖于基础信息节点的建设和整体网络的架构，不管是先验概率的获取，还是网络节点的架构，在现有的学术水平和技术手段上已经有望高效达成，因而贝叶斯网络方法应用上具有广阔的前景。笔者尝试将贝叶斯网络应用于严重精神障碍者暴力危害行为的风险预警，使用贝叶斯网络方法对严重精神障碍者暴力危害行为的风险状态进行正向或逆向推理，按照基于各个风险因子的全面风险管理拓扑结构，并通过在节点间不断进行传递式的概率运算，以达到风险预警的功能及进一步对风险诱因的评估与管理，且较传统评估预警方法而言更适用于面对状况复杂的领域，同时贝叶斯网络对各因素的统筹兼顾与校准是常用评估工具所难以达到的。

贝叶斯网络方法具有极强的实用性与先进性，其理论现已被广泛应用于金融、医学等各个领域，并进行了许多的学术方面的深入探讨和研究，赵文平等[17]提出基于贝叶斯网络运用因果推理预测循环经济产业链的稳定性；尹阳春[18]提出以贝叶斯网络对重大资产重组进行预测；刘阳[19]对贝叶斯网络meta分析在早期肝癌疗效评价中的应用以及用微血管侵犯风险预测，指导个体化消融治疗方面进行了研究。在临床试验中的医疗器械评价中，以贝叶斯统计分析为主的评价方法已经成为当前的一种技术趋势[20]；钟建军等[21]也提出心理研究引入贝叶斯推论统计，在临床诊断方面，循证医学也开始将以贝叶斯法为基础的算法纳入到临床决策的应用中去。此外，李学海[22]指出，贝叶斯统计对精神病人治疗结局的预测、及肇事肇祸危险性评估等方面都有巨大潜力。现今，以贝叶斯理论为核心的技术方法正风靡各行各业，且有望成为未来最重要的预测技术手段之一。

4 精神障碍者暴力危害行为风险预警模型的构建

笔者提出构建基于贝叶斯网络的精神障碍者暴力危害行为风险预警模型，达到事前对精神障碍者暴力危害行为的“预测、预警、预防”，使目前精神障碍者的信息排查、搜集、分析和处理更趋向智能化、现代化，以期为建立一个以大数据导向为基础的严重精神障碍者危害行为的智能防控体系奠定基石。

4.1 选择节点和构建贝叶斯网络

风险预警系统中贝叶斯网络的节点大致可分为两类，一类是通过贝叶斯网络计算得到的指标节点，第二类是诱因节点，主要是根据实际观测和统计之后得到的直接风险源头。此外，需要注意的是在选择节点的时候应综合考虑节点的可行性、代表性、科学性等因素以保证风险预警系统的可靠性。参照现代攻击行为风险因素的主流观点，可将精神障碍者暴力行为发生的风险划分为一般人口学资料因素、精神心理因素、生物学因素、环境因素、早期危险行为因素，将这5类风险作为关键风险指标进行分析，并进一步细分如下。

(1)一般人口学资料因素

参照Newton[23]的研究，其影响因素包括诊断、年龄、性别、智力评定、精神病史、工作经历、成长经历、生活状况、激越行为、既往攻击行为史等。

(2)精神心理因素

可以划分为精神疾病类型、精神症状、自知力、执行功能、共情能力5大诱因节点。

(3)环境因素

主要分为社会环境因素、家庭环境因素、诱发因素3大支线。

(4)生物学因素

参照张钦廷对法医学精神病焦点问题进展的研究，可选择内分泌因素、电生理因素、基因因素、脑损害因素4大方向。

(5)早期危险行为因素

笔者从实践角度出发，通过对数十起精神障碍者所致命案的个案分析，并综合参考国内外司法精神病医学的相关文献、医用量表，试拟了以下作案前有预测意义的精神障碍者的早期危险行为，分为低危、中危、高危3组(见表1)。

表1 精神障碍者的早期危险行为

这样，整个风险预警网络的构造就基本完成了，其中终端节点为精神障碍者暴力危害行为风险值，次层节点为一般人口学资料因素、精神心理因素、环境因素、生物学因素，早期危险行为因素，初始端节点为影响风险水平的各种因素，整个风险预警模型的基本网络拓扑结构如图1所示。

图1 风险预警模型拓扑结构

4.2 设置网络节点和先验概率赋值

确定了风险预警系统的贝叶斯网络结构后，第二步就是设置各个节点并对其赋值，即以特定的概率值来表述各个节点的各种不同状态，这样的概率值被称为先验概率。而这一环节主要通过主观判断以及相关临床历史数据、向司法精神医学领域的专业人士征询后获得的一个相对主观的设置结果，在实际运用中可以根据现实情况对先验概率进行调整。此外，在节点的设置过程中，不同的风险状态的设置需要以不同的节点性质为依据。先验概率的赋值对于整个贝叶斯网络而言具有极为重要的意义，网络节点先验概率的准确程度决定着其能否快速定位第一“故障点”，也就是说如果引入了准确度较高的先验概率值，便可以在网络运作的过程中迅速地逆向推理出引发精神障碍者实施攻击行为的风险诱因，帮助进一步实施风险管理，所以，当统计先验概率的样本有限或者专家意见出现了较大误差等情况下，先验概率的精确度就会大打折扣，因此必须在综合考量各方面因素的情况下，谨慎地引入先验概率值，这是需要重视的关键点之一。

4.3 设置风险水平等级

作为风险预警系统的输出模块，风险水平等级是直观展示风险诱因影响程度。在常用的精神预测评估工具中，也往往采用分级的形式来对精神障碍者的精神状况进行相对直观的展示，这都是由于原始数据不能直观地反映具体现象在空间分布上的规律性和由于数量差异而产生的质量差异感、特殊的水平或集群性，因此水平等级的设置和划分颇具意义。效仿基于贝叶斯网络在商业银行风险预警系统中采用的灯号模型方法[24]，本文提出类似的风险水平等级设置方法。例如，对于一个有3个状态的节点，通过先验概率赋值可以得到其风险状态为高(H) 、中 (M) 、低(L)的概率分别为a1、a2、a3，并结合每个状态在该节点中的具体情况对每种状态的概率分别赋予X、Y、Z的权重(满足X+Y+Z=1)，由此可以得到综合考虑3个状态后该节点的加权和A，A=X×a1+Y×a2+Z×a3， 以此反映该节点的风险水平。同时，由影响该节点各状态变化的风险因素的理论赋值，可以判断出该节点加权和A的理论取值范围为[C,D)，随后进一步结合具体情况在C到D之间再设置C1,C2,D1,D2四个理论取值数为阀值，将[C,D)分为[C,C1)、[C1,C2)、[C2,D1)、[D1,D2)、[D2,D)五个区间分别对应一、二、三、四、五级风险水平。当A∈[C,C1)时，该节点处于一级水平，没有风险；当[C1,C2)时，该节点处于二级水平，风险较低；当A∈[C2,D1)时，该节点处于三级水平，存在中度风险；当A∈[D1,D2)时，该节点处于四级水平，风险较高；当A∈[D2,D)时，该节点处于五级水平，存在极高风险。而除这种方法之外，也可以针对具体情况采用其他的分级方式，具体的分级方式因现实状况不同而异，只要立足点是对各因素的有效统筹和对总体情况的直观展示便可。

4.4 风险预警模型的运行

当贝叶斯网络构建完成后，就可以发挥其正向及反向推理的功能。进行正向推理，就是以观测到的风险因素变化依据对相应的诱因节点的值进行调整，从而实现信息的传递，而逆向推理则是通过调整指标节点的赋值，以分析各影响因素的状态。在精神障碍者暴力危害行为的风险预警系统中，通过正向推理，能够分析各风险因素对终端风险的影响程度，而通过逆向推理，则可以帮助判断通过哪些风险诱因的管理可以实现降低精神障碍者实施暴力危害行为的风险，从而达到从根本上规避暴力行为发生的目的。此外，在运行过程中，如果需要进行进一步的测试和评估，如进行评估精神障碍者在住院情况下实施危害行为的风险测试，即使当前的贝叶斯网络不包括这些评估测试，但它很容易扩展，只需要添加额外的节点作为获得新的统计数据的系统程序，而不需要扔掉以前的任何部分，这是贝叶斯网络方法的另一个强大的功能，它很容易扩展或减少、简化，以适应不断变化的需求和变化的知识，这也正是传统风险评估方法和预警方法所无法达到的功能。

4.5 风险预警模型的试点应用

将精神障碍者暴力危害行为的风险预警模型试点应用于某街道的社区卫生服务中心，以明确诊断的重性精神障碍者50人为样本实施排查预警，包括精神分裂症者38人，双相情感障碍者10人，精神发育迟滞者2人，其中采用卫生部《重性精神疾病管理治疗工作规范(2018年版)》中危险性分级标准①0级：无符合以下1～5级中的任何行为；1级：口头威胁，喊叫，但没有打砸行为；2级：打砸行为，局限在家里，针对财物，能被劝说制止；3级：明显打砸行为，不分场合，针对财物，不能接受劝说而停止；4级：持续的打砸行为，不分场合，针对财物或人，不能接受劝说而停止，包括自伤、自杀；5级：持管制性危险武器的针对人的任何暴力行为，或者纵火、爆炸等行为，无论在家里还是公共场合。评估为0～2级者45人，3级以上者为5人。使用精神障碍者暴力危害行为的风险预警模型筛查出低危患者7人，中危患者4人，高危患者2人，中危者精神分裂症者3名，双相情感障碍者1名，高危者均为精神分裂症者。预警等级为低危的患者风险因素为：作息不正常、情绪不稳、情绪激越、拒绝服药、长时间自言自语、内容未危及自身或他人安全的幻觉、言语威胁等。预警等级为中危- 高危的患者风险因素为：被害妄想(内容危及自身安全)、夸大妄想、物理影响妄想、言语威胁、无故手持危险工具、打砸行为、无故袭击他人，多次报警等症状及行为表现(见表2)。

表2 各预警等级的精神障碍者风险因素

本精神障碍者暴力危害行为风险预警模型结合精神心理因素、环境因素、生物学因素及早期危险行为因素等综合指标，排查出预警等级为低危者与危险性评估标准0～2级者一致性为85.7%， 其中1位3级危险性精神障碍者并未出现言语威胁及打砸等暴力行为，只出现“内容未危及自身或他人安全的幻觉”，定为低危等级更恰当。中危及高危患者中有4人为危险性评估为0～2级者。此4人的症状及行为表现为：内容危及自身安全的被害妄想、幻觉，言语威胁，无故袭击他人，物理影响妄想，多次报警行为等，显然危险等级较高，需要立即干预，与0～2级危险性不相符。

本课题组深入广泛调研及公安部通报的数据显示，目前司法实践中，出现严重肇事肇祸的精神障碍者反而大多为危险性评估为0～2级的患者，这与当前危险性评估标准的局限性有关。主要涉及以下几点：

一是评估危险性时忽略了危险因素的辅助作用。据调查，基层在对重性精神障碍者危险性进行评估时，单纯参考国家文件规定的0～5级危险性标准。而该标准只有寥寥几句行为表现的描述，缺乏危险因素的考量。就精神障碍者实施暴力危害行为的危险因素而言，监护状况、精神疾病症状、药物依从性、精神活性物质使用情况、人格障碍、患者所处的环境等均应在考量范围中。二是评估过程缺乏动态性。对重性精神障碍患者进行危险性评估时，大都以评估当时患者的行为表现为依据，缺乏对重性精神障碍患者的动态把握。但重性精神障碍患者的症状复杂多变，且常常反复发作，患者的危险性处于动态变化，仅根据患者当时的行为表现来评估，势必会造成结果的不准确。三是危险性评估标准缺乏全面性和科学性。根据目前通用的危险性评估标准，此标准只关注行为表现，与精神症状学分离较严重，只能排查评估当时是否有暴力攻击倾向，却不能代表其精神症状的严重程度。而严重精神疾病发病本就具有突发性，该评估标准及相应分级无法指导预测精神障碍者出现攻击行为的可能性大小。

精神障碍者暴力危害行为风险预警模型试点应用结果提示，该预警模型结合多维综合危险因素指标，可更准确地排查出危险性精神障碍者，这对合理管控、早期危机干预起到重要作用。

本文将贝叶斯网络方法引入到精神障碍者暴力危害行为的风险预警系统中，以期建立“事前防控”机制，从根本上达到科学有效管控严重精神障碍者的目的。贝叶斯网络的实际运作十分仰赖运算能力强大的承载体，只有配合算法发达的运算工具，才可能使得整个风险预警系统得以流畅运行，现今有许多软件平台可以构建贝叶斯网络，如BN Toolkit、Bayes Buider、Java Bayes、Hugin Expert、BN Toolbox、Netica等，这些软件在贝叶斯网络的结构学习、参数学习模块的开发层面及贝叶斯网络的构建层面都有较好的应用[25]。此外，在以往的技术条件下，采用贝叶斯网络方法的基础工作中，采集和应用数据这一环节往往受到技术条件而无法得到充足有效的数据，即使得到等同于整体数量级别的样本，也会因为数据噪声而出现异常数据，这些数据都会对系统的运行、数据的分析造成干扰。而今人工智能技术的发展则极大地改善了这种状况，使我们有可能去统筹大量的数据样本和排除噪声，如“云网络”“云数据”的出现，使贝叶斯网络方法中的先验概率的获取更科学，大数据的建立使得先验概率的赋值有了完备的基础，相关的测定者得以根据充足有效的数据对先验概率进行设置，随着该智能预警体系大数据的完善，其预测预警功能将更加准确。

5 结语

我国对精神障碍患者救治与监护问题高度关注，国家总体安全观对事关社会安定问题的严重精神障碍者的管控要求不断提高[26]。要建立具备互联化、物联化、智能化的防控体系，不仅需有技术上的突破，还需尽快建立管控工作涉及的综合治理、公安、卫生、财政、人力社保、民政等多个部门的沟通协作机制。笔者尝试整合综合治理部门、精神卫生系统、司法系统、社区管控部门等多维大数据，构建严重精神障碍者暴力危害行为的智能预警体系，以期早日建立人机交互的多管控部门的联动协作机制，构建基于人工智能技术的严重精神障碍者的管控体系，着力提升“事前防控”的科学性、合理性及智能化。