AI identifikuje hlavní prediktory sebevražd a sebepoškozování dospívajících

Výzkumníci použili algoritmus strojového učení k identifikaci hlavních faktorů, které mohou předpovídat riziko sebepoškozování a pokusu o sebevraždu dospívajících. Říkají, že jejich model je přesnější než stávající prediktory rizik a mohl by být použit k poskytování individualizované péče ohroženým pacientům.

Dospívání je kritické formativní období. Fyzické, emocionální a sociální změny mohou způsobit, že dospívající budou zranitelní vůči problémům duševního zdraví, včetně pokusů o sebevraždu a sebepoškozování. Podle Australského institutu zdraví a sociální péče (AIHW) je sebevražda hlavní příčinou úmrtí mezi Australany ve věku 15 až 24 let. V USA ji Centrum pro kontrolu a prevenci nemocí (CDC) uvádí jako druhou hlavní příčinu 10 – do 14 let.

Standardní přístup k predikci sebevraždy nebo sebepoškození spoléhá na minulé pokusy o sebevraždu nebo sebepoškození jako jediný rizikový faktor, který může být nespolehlivý. Nyní vědci pod vedením University of New South Wales Sydney použili strojové učení (ML) k přesné identifikaci hlavních faktorů, které vystavují adolescenty zvýšenému riziku sebevražd a sebepoškozování.

„Někdy potřebujeme strávit a zpracovat spoustu informací, které by byly mimo schopnosti lékaře,“ řekl Ping-I Daniel Lin, odpovídající autor studie. „To je důvod, proč využíváme algoritmy strojového učení.“

Údaje od 2 809 dospívajících byly získány z Longitudinal Study of Australian Children (LSAC), celostátně reprezentativní studie, která byla zahájena v roce 2004. Adolescenti byli rozděleni do dvou věkových skupin: 14 až 15leté a 16 až 17 let. -leté děti. Údaje pocházejí z dotazníků vyplněných dětmi, jejich pečovateli a učiteli školy. Mezi účastníky 10,5 % uvedlo sebepoškozování a 5,2 % uvedlo pokus o sebevraždu alespoň jednou za posledních 12 měsíců.

Vědci z dat identifikovali více než 4000 potenciálních rizikových faktorů v oblastech, jako je duševní zdraví, fyzické zdraví, vztahy s ostatními a školní a domácí prostředí. Použili algoritmus náhodného lesa (RF) k identifikaci, které rizikové faktory pozorované ve věku 14–15 let nejvíce predikovaly pokusy o sebevraždu a sebepoškozování ve věku 16–17 let.

RF je řízený algoritmus strojového učení složený z rozhodovacích stromů. Kombinuje výstup více rozhodovacích stromů k dosažení jediného výsledku. Základní myšlenkou RF je, že zkombinováním mnoha rozhodovacích stromů do jediného modelu budou předpovědi v průměru blíže ke značce.

Prediktivní výkonnost modelu ML byla porovnána s přístupem využívajícím jako prediktor pouze předchozí historii sebepoškozování nebo sebevražedných pokusů. Výkon každého modelu byl stanoven vyhodnocením plochy pod křivkou (AUC), což je metrika výkonu, která se pohybuje od 0,5 (ne lepší než náhodné hádání) do 1,0 (dokonalá předpověď). Obecně platí, že AUC 0,7 až 0,8 je považována za přijatelnou při predikci rizika, 0,8 až 0,9 za vynikající a více než 9,0 za vynikající.

Čtyřicet osm proměnných bylo použito k trénování RF modelu k predikci sebepoškozování, které vykazovalo slušný prediktivní výkon s AUC 0,740. Pokud jde o predikci pokusů o sebevraždu, model, který byl trénován pomocí 315 proměnných, dosáhl AUC 0,722.

U modelu sebepoškozování patřily mezi hlavní identifikované proměnné dotazník krátké nálady a pocitů (SMFQ), který hodnotí příznaky deprese, skóre dotazníku silných stránek a obtíží (SDQ), který hodnotí chování a emoce, stresující životní události, škály puberty, vztah dítě-rodič, autonomie, pocit sounáležitosti se školou a zda dítě mělo přítele/přítelkyni. U modelu pokusu o sebevraždu byly hlavními prediktory SMFQ, SDQ, Spenceova škála úzkosti, která hodnotí závažnost symptomů úzkosti, a index CHU9D, měřítko kvality života související se zdravím.

Ve srovnání s použitím pouze historie sebepoškozování nebo sebevražedných pokusů jako prediktorů dopadly modely ML lépe. Použitím předchozího sebepoškozování k predikci opakovaného sebepoškození bylo dosaženo AUC 0,645, předchozího pokusu o sebevraždu předpovědět opakovaný pokus AUC 0,630 a sebepoškozování predikujícím pokus o sebevraždu AUC 0,647.

Vědce překvapilo, že předchozí pokusy o sebevraždu nebo sebepoškozování nebyly vysoce rizikovým faktorem a že prostředí hrálo tak důležitou roli.

„Bylo pro nás překvapivé vidět, že předchozí pokusy nepatřily mezi hlavní rizikové faktory,“ řekl Lin. „Zjistili jsme, že prostředí mladého člověka hraje větší roli, než jsme si mysleli. Z hlediska prevence je to dobrá věc, protože nyní víme, že pro tyto jedince můžeme udělat víc.“

Výzkumníci také poznamenali, že existují jedinečné faktory specifické pro sebevraždu nebo sebepoškozování.

„Jedinečným prediktorem sebevraždy byl nedostatek sebeúčinnosti, když někdo pociťuje nedostatek kontroly nad svým prostředím a svou budoucností,“ řekl Lin. „A jedinečným prediktorem sebepoškozování byl nedostatek emoční regulace.“

Vědci tvrdí, že jejich zjištění jsou důležitá, protože mají tendenci vyvracet stereotyp, že lidé páchají sebevraždu nebo sebepoškozování výhradně kvůli špatnému duševnímu zdraví. Říkají, že jejich model by mohl být použit k posouzení individualizovaného rizika u dospívajících.

„Na základě informací o pacientech by algoritmus ML mohl vypočítat skóre pro každou osobu a to by mohlo být integrováno do systému elektronických lékařských záznamů,“ řekl Lin. „Klinik mohl rychle získat tyto informace, aby potvrdil nebo vylepšil své hodnocení.“

Než bude možné tyto modely zavést v klinickém prostředí, je zapotřebí více výzkumu. Je třeba je aplikovat na klinické databáze v reálném životě, aby se ověřila jejich účinnost při předpovídání pokusů o sebevraždu a sebepoškozování.

„Jako výzkumníci se budeme snažit nadále generovat více informací a více důkazů,“ řekl Lin. „Toto je způsob, jak přesvědčit zúčastněné strany – lékaře, rodiny, pacienty a komunitu – že tyto přístupy založené na datech jsou cenné.“

Zdroj: UNSW Sydney