Forskere fra School of Clinical Medicine ved University of New South Wales har brugt maskinlæring (ML) til at udvikle mere præcise prædiktorer for selvskade og selvmord hos unge.
Unges mentale sundhed er faldet på verdensplan, og de australske statistikker er en rimelig afspejling af dem i mange andre samfund. Selvmord er den største dødsårsag blandt australiere mellem 15 og 24 år.
Nuværende prædiktorer som tidligere selvskade eller selvmordsforsøg har vist sig kun at være lidt mere effektive end at stole på tilfældigheder. Den nye forudsigelsesmodel forskere udviklet ved hjælp af ML er betydeligt mere effektiv.
Datasættet bestod af feedback fra spørgeskemaer og interviews med 2.809 unge deltagere i Longitudinal Study of Australian Children.
Blandt deltagerne rapporterede 5,2% om selvmordsforsøg mindst én gang i løbet af de foregående 12 måneder, og 10,5% rapporterede om selvskadende handlinger.
Ved at bruge maskinlæring til at analysere dataene fandt forskerne vigtige prædiktorer, der var mere præcise end dem, der tidligere blev brugt af psykiatere.
ML-modellens ydeevne blev målt med AUC-metrikken (Area Under the Curve). Det er et tal, der går fra 0,5 til 1, hvor 0,5 er et lige så godt gæt som et møntkast, og 1 er en 100% nøjagtig forudsigelse.
Ved udelukkende at stole på tidligere selvskade og selvmordsforsøg opnåede man en AUC på mellem 0,63 og 0,647. Det var kun lidt bedre end at gætte og faldt under det interval på 0,7 til 0,8, der anses for at være acceptabelt til at forudsige risiko.
ML-modellens prædiktorer opnåede en AUC på mellem 0,722 og 0,74, hvilket er betydeligt bedre.
Modellen overraskede forskerne, da den viste, at tidligere selvskade eller selvmordsforsøg ikke var en højrisikofaktor, og at miljø og forældrestøtte spillede en vigtigere rolle.
Dr. Lin, en af forskerne, sagde: "Vi fandt ud af, at den unges miljø spiller en større rolle, end vi troede. Det er godt set ud fra et forebyggelsessynspunkt, fordi vi nu ved, at der er mere, vi kan gøre for disse personer."
Denne anvendelse af AI i mental sundhedspleje vil hjælpe klinikere med at være mere præcise i vurderingen af unge i risiko og foretage tidligere indgreb.
Dr. Lin sagde: "Baseret på patientoplysninger kan ML-algoritmen beregne en score for hver person, og den kan integreres i det elektroniske journalsystem. Klinikeren kunne hurtigt hente disse oplysninger for at bekræfte eller justere sin vurdering."
Modellen er ikke klar til at blive rullet ud i praksis endnu, men de lovende resultater viser, at det er en vej, der er værd at forfølge.
Der ligger en masse data i lægejournaler, og hvis man bruger AI til at analysere dem, vil det utvivlsomt give sundhedspersonalet flere overraskelser.
