Voorspellen van zelfbeschadiging en suïcide bij adolescenten met behulp van ML

5 september 2023

Onderzoekers van de School of Clinical Medicine aan de Universiteit van New South Wales hebben machine learning (ML) gebruikt om nauwkeurigere voorspellers van zelfbeschadiging en zelfmoord bij adolescenten te ontwikkelen.

De geestelijke gezondheid van adolescenten is wereldwijd achteruitgegaan en de Australische statistieken weerspiegelen die in veel andere samenlevingen. Zelfmoord is de belangrijkste doodsoorzaak onder Australiërs tussen de 15 en 24 jaar.

Huidige voorspellers zoals zelfbeschadiging of zelfmoordpogingen in het verleden zijn slechts iets effectiever gebleken dan te vertrouwen op toeval. Het nieuwe voorspellende model de onderzoekers ontwikkeld met ML is aanzienlijk effectiever.

De dataset bestond uit feedback van vragenlijsten en interviews met 2.809 adolescente deelnemers aan de Longitudinal Study of Australian Children.

Onder de deelnemers meldden 5,2% minstens één zelfmoordpoging te hebben ondernomen in de afgelopen 12 maanden en 10,5% rapporteerden daden van zelfbeschadiging.

Door machine learning te gebruiken om de gegevens te analyseren, vonden de onderzoekers belangrijke voorspellers die nauwkeuriger waren dan de voorspellers die eerder werden gebruikt door mensen die werkzaam zijn in de geestelijke gezondheidszorg.

De prestaties van het ML-model werden gemeten met de Area Under the Curve (AUC) metriek. Dit is een getal variërend van 0,5 tot 1, waarbij 0,5 zo goed is als een gok en 1 een 100% nauwkeurige voorspelling is.

Uitsluitend afgaan op de voorgeschiedenis van zelfbeschadiging en zelfmoordpogingen leverde een AUC tussen 0,63 en 0,647 op. Dit was slechts iets beter dan gissen en viel onder het bereik van 0,7 tot 0,8 dat als acceptabel wordt beschouwd voor het voorspellen van risico.

De voorspellers van het ML-model behaalden een AUC tussen 0,722 en 0,74, wat significant beter is.

Het model verraste de onderzoekers omdat het aantoonde dat eerdere zelfbeschadiging of zelfmoordpogingen geen risicofactor waren en dat de omgeving en steun van de ouders een belangrijkere rol speelden.

Dr. Lin, een van de onderzoekers, zei: "We ontdekten dat de omgeving van de jongere een grotere rol speelt dan we dachten. Dit is goed vanuit het oogpunt van preventie omdat we nu weten dat we meer kunnen doen voor deze individuen."

Deze toepassing van AI in de geestelijke gezondheidszorg zal artsen helpen om risicojongeren nauwkeuriger te beoordelen en eerder in te grijpen.

Dr. Lin zei: "Gebaseerd op patiëntinformatie zou het ML-algoritme een score kunnen berekenen voor elke persoon en die zou geïntegreerd kunnen worden in het systeem van elektronische medische dossiers. De arts zou die informatie snel kunnen opvragen om zijn beoordeling te bevestigen of aan te passen."

Het model is nog niet klaar om in de praktijk te worden toegepast, maar de veelbelovende resultaten geven aan dat het de moeite waard is om verder te onderzoeken.

Er zitten veel gegevens in medische dossiers en het gebruik van AI om deze te analyseren zal ongetwijfeld meer verrassingen opleveren voor artsen.

Doe mee met de toekomst


SCHRIJF JE VANDAAG NOG IN

Duidelijk, beknopt, uitgebreid. Krijg grip op AI-ontwikkelingen met DailyAI

Eugene van der Watt

Eugene heeft een achtergrond in elektrotechniek en houdt van alles wat met techniek te maken heeft. Als hij even pauzeert van het consumeren van AI-nieuws, kun je hem aan de snookertafel vinden.

×

GRATIS PDF EXCLUSIEF
Blijf voorop met DailyAI

Meld je aan voor onze wekelijkse nieuwsbrief en ontvang exclusieve toegang tot DailyAI's nieuwste eBook: 'Mastering AI Tools: Your 2024 Guide to Enhanced Productivity'.

* Door u aan te melden voor onze nieuwsbrief accepteert u onze Privacybeleid en onze Algemene voorwaarden