Изследователите са използвали алгоритъм за машинно обучение, за да идентифицират основните фактори, които могат да предскажат риска от самонараняване и опит за самоубийство на юноша. Те казват, че техният модел е по-точен от съществуващите предиктори на риска и може да се използва за предоставяне на индивидуализирани грижи за уязвими пациенти.
Юношеството е критичен период на формиране. Физическите, емоционалните и социалните промени могат да направят подрастващите уязвими към проблеми с психичното здраве, включително опити за самоубийство и самонараняване. Според Австралийския институт по здравеопазване и социални грижи (AIHW), самоубийството е водещата причина за смърт сред австралийците на възраст от 15 до 24 години. В САЩ Центровете за контрол и превенция на заболяванията (CDC) го изброява като втората водеща причина за 10- до 14-годишните.
Стандартният подход за прогнозиране на самоубийство или самонараняване разчита на минали опити за самоубийство или самонараняване като единствен рисков фактор, който може да бъде ненадежден. Сега изследователи, ръководени от Университета на Нов Южен Уелс в Сидни, са използвали машинно обучение (ML), за да идентифицират точно основните фактори, които поставят подрастващите в повишен риск от самоубийство и самонараняване.
„Понякога трябва да усвоим и обработим много информация, която би била извън способността на клинициста“, каза Ping-I Даниел Лин, съответен автор на изследването. „Това е причината да използваме алгоритми за машинно обучение.“
Данните от 2809 юноши са извлечени от Longitudinal Study of Australian Children (LSAC), национално представително проучване, започнало през 2004 г. Юношите са разделени на две възрастови групи: 14-15-годишни и 16-17 – годишни. Данните са получени от въпросници, попълнени от децата, техните настойници и учители. Сред участниците 10,5% са съобщили за акт на самонараняване, а 5,2% са съобщили за опит за самоубийство поне веднъж през предходните 12 месеца.
Изследователите идентифицираха повече от 4000 потенциални рискови фактора от данните в области като психично здраве, физическо здраве, взаимоотношения с другите и училищна и домашна среда. Те са използвали алгоритъм на произволна гора (RF), за да идентифицират кои рискови фактори, наблюдавани на възраст 14-15 години, са най-предсказуеми за опити за самоубийство и самонараняване на 16-17 години.
RF е контролиран алгоритъм за машинно обучение, съставен от дървета на решенията. Той комбинира изхода от множество дървета на решения, за да постигне един резултат. Основната идея зад RF е, че чрез комбиниране на много дървета на решенията в един модел прогнозите ще бъдат средно по-близо до марката.
Прогностичната ефективност на модела ML беше сравнена с подход, използващ само предишна история на самонараняване или опити за самоубийство като предиктор. Ефективността на всеки модел беше определена чрез оценка на площта под кривата (AUC), показател за ефективност, който варира от 0,5 (не по-добро от произволно предположение) до 1,0 (перфектно предсказване). Като цяло AUC от 0,7 до 0,8 се счита за приемлива при прогнозиране на риска, 0,8 до 0,9 за отлична, а повече от 9,0 се счита за изключителна.
Четиридесет и осем променливи бяха използвани за обучение на RF модела за предсказване на самонараняване, което показа добро предсказуемо представяне с AUC от 0,740. По отношение на прогнозирането на опити за самоубийство, моделът, който беше обучен с помощта на 315 променливи, постигна AUC от 0,722.
За модела на самонараняване основните идентифицирани променливи включват краткия въпросник за настроението и чувствата (SMFQ), който оценява симптомите на депресия, резултатите от въпросника за силните страни и трудностите (SDQ), който оценява поведението и емоциите, стресиращите житейски събития, скалите за пубертета, отношения дете-родител, автономия, чувство за принадлежност към училище и дали детето е имало гадже/приятелка. За модела на опита за самоубийство най-добрите предиктори са SMFQ, SDQ, скалата за тревожност на Спенс, която оценява тежестта на симптомите на тревожност, и индексът CHU9D, мярка за свързаното със здравето качество на живот.
В сравнение с използването само на история на самонараняване или опити за самоубийство като предиктори, моделите на ML се справят по-добре. Използването на предишно самонараняване за предсказване на повторно самонараняване постигна AUC от 0,645, предишен опит за самоубийство за предсказване на повторен опит AUC от 0,630, а самонараняване, предсказващо опит за самоубийство, AUC от 0,647.
Това, което изненада изследователите, беше, че предишни опити за самоубийство или самонараняване не бяха високорисков фактор и тази среда играеше толкова важна роля.
„За нас беше изненадващо да видим, че предишните опити не са сред основните рискови фактори“, каза Лин. „Открихме, че средата на младия човек играе по-голяма роля, отколкото си мислехме. Това е нещо добро от гледна точка на превенцията, защото сега знаем, че можем да направим повече за тези хора.
Изследователите отбелязват също, че има уникални фактори, специфични или за самоубийство, или за самонараняване.
„Уникален предсказател за самоубийство беше липсата на самоефективност, когато някой чувства липса на контрол върху средата и бъдещето си“, каза Лин. „И уникален предиктор за самонараняване беше липсата на емоционална регулация.“
Изследователите казват, че откритията им са важни, защото са склонни да опровергаят стереотипа, че хората се самоубиват или самонараняват единствено поради лошо психично здраве. Те казват, че техният модел може да се използва за оценка на индивидуалния риск при юноши.
„Въз основа на информацията за пациента, алгоритъмът за ML може да изчисли резултат за всеки човек и това може да бъде интегрирано в системата за електронни медицински досиета“, каза Лин. „Клиницистът може бързо да извлече тази информация, за да потвърди или промени оценката си.“
Необходими са повече изследвания, преди тези модели да могат да бъдат въведени в клинична среда. Те трябва да бъдат приложени към клинични бази данни от реалния живот, за да се потвърди тяхната ефективност при прогнозиране на опити за самоубийство и самонараняване.
„Като изследователи ще се опитаме да продължим да генерираме повече информация и повече доказателства“, каза Лин. „Това е начинът да убедим заинтересованите страни – клиницисти, семейства, пациенти и общността – че тези базирани на данни подходи са ценни.“
Изследването е публикувано в сп Психиатрични изследвания.
източник: UNSW Сидни
Публикациите се превеждат автоматично с google translate
