Одним из новых подходов к разработке более надежных инструментов прогнозирования является использование ретроспективных данных в форме электронных медицинских карт.
“Большинство людей, которые умирают от самоубийства, увидят поставщика медицинских услуг в год, предшествующий смерти, и значительную долю в месяцы и недели, предшествующие смерти”, - отметил Гленн. "Обнаружение с помощью EHR может помочь выявить лиц с высоким риском, нуждающихся в более интенсивной оценке риска и подключении к лечению психического здоровья.”
Колин Уолш, доцент кафедры биоинформатики, медицины и психиатрии Университета Вандербильта, является одним из ученых, разрабатывающих методы, позволяющие различать временные уровни риска. Уолш и его коллеги из Флоридского государственного университета прочесали 5000 пациентов EHRs с примерами самоповреждений, чтобы построить прогностический алгоритм для попыток самоубийства, основанный на другой информации, включенной в диаграммы. Самоповреждение легко определить по диагностическим кодам в медицинской карте, но не всегда отражает попытку самоубийства. Поэтому исследователи должны были еще раз взглянуть на каждую диаграмму, чтобы найти истинные случаи попытки самоубийства.
"Ставки настолько высоки, что мы хотели убедиться, что мы действительно были очень строгими в отношении подхода”, - сказал Уолш в интервью. “Мы идентифицировали в этой статье 5 500 диаграмм, которые имели коды [самоповреждения] в наших данных. Наша команда решила пересмотреть каждый из этих графиков, что не является второстепенным делом.”
Каждый ложный позитив, который они идентифицировали до того, как построили свою модель, означал большую точность в конечном продукте.
“Одним из первых результатов, которые мы обнаружили, было то, что в 42 процентах случаев эти коды для самоповреждения также не имели доказательств на диаграмме обзора суицидального намерения”,-сказал Уолш.
Уолш и его коллеги взяли эти EHRs и использовали эти данные для разработки программы машинного обучения, чтобы найти закономерности. Они сравнивали записи с более поздними самоубийствами и попытками самоубийства. Компьютерный алгоритм проверил миллионы различных паттернов, взяв записи в EHRs и подключив их к уравнениям, построив точную модель методом проб и ошибок. Когда это было сделано, он мог взять единственную медицинскую карту и вычислить вероятность попытки человека убить себя. Его точность обусловлена способностью учитывать такое большое количество переменных и их большой или малый вклад в риск, а также быстро решать уравнения. В то время как лучшие модели прогнозирования для человека имеют точность около 60%, алгоритм Уолша и его коллег определил будущие попытки самоубийства с 84% точностью.
Смесь данных
В то время как модель Уолша и его коллег использует электронные медицинские записи, алгоритмы машинного обучения могут использоваться со многими типами данных. Исследователи из США и Канады обнаружили различия в данных сканирования мозга и нейронной реакции между теми, кто умер от самоубийства, и теми, кто умер от внезапной, но не самоубийственной смерти в том же возрасте. Ветераны войны, которые пытаются покончить с собой, имеют четкие генетические выражения по сравнению с ветеранами, которые не пытались покончить с собой. Эти данные также могут быть рассмотрены и встроены в алгоритм, который использует поведенческие, медицинские, неврологические и геномные данные для прогнозирования.
Ассоциация ветеранов Соединенных Штатов уже приступила к включению прогностической технологии в свои усилия по улучшению благосостояния ветеранов и предотвращению самоубийств ветеранов, включая их участие в восстановлении и координацию для инициативы по улучшению лечения ветеранов здравоохранения. Их усилия по выявлению ветеранов, наиболее подверженных риску самоубийства, многообещающи, но все еще находятся на стадии доказательства концепции.
Шаблоны в социальных сетях
ЕСПЧ является многообещающей базой для оценки риска самоубийств, но что можно сказать о лицах, которые имеют суицидальные мысли, но никогда не заходили в кабинет врача или психиатрическое учреждение?
Распознавание текста и анализ фотографий открывают двери для скрининга больших групп населения на основе
информацию они отдают охотно, даже если им не нужна психологическая помощь. Эти алгоритмы сканирования
профили в социальных сетях и временные рамки для оценки состояния психического здоровья пользователя. Один алгоритм машинного обучения был способен идентифицировать распространенные в социальных сетях постинговые модели поведения у военнослужащих, которые в конечном итоге покончили с собой, а другой определил тех, кто позже диагностировал депрессию (но кто не пытался покончить с собой) на основе характеристик фотографий Instagram, таких как насыщенность цвета, яркость и количество лиц на фотографиях. Эти закономерности не всегда были достаточно четкими, чтобы быть полезными в диагностике, но они могут привести к некоторым ценным инструментам оценки риска в будущем. Медицинские работники или организации, которые сканируют профили или используют данные социальных сетей в будущем, также должны будут решить проблемы конфиденциальности, прежде чем эти данные найдут применение в клинических условиях.