Ученые использовали алгоритм машинного обучения для выявления основных факторов, позволяющих предсказать риск самоповреждения и попыток суицида у подростков. Они утверждают, что их модель более точна, чем существующие методы предсказания риска, и может использоваться для предоставления персонализированной помощи уязвимым пациентам.
Прогнозирование самоубийств
Подростковый возраст - это критический период формирования. Физические, эмоциональные и социальные изменения могут сделать подростков более уязвимыми к проблемам с психическим здоровьем, включая попытки суицида и самоповреждение. Согласно Австралийскому институту здоровья и благополучия (AIHW), суицид является ведущей причиной смерти среди австралийцев в возрасте от 15 до 24 лет. В США Центры по контролю и профилактике заболеваний (CDC) называют его второй ведущей причиной среди детей в возрасте от 10 до 14 лет.
Стандартный подход к предсказанию суицида или самоповреждения основан на прошлых попытках суицида или самоповреждения как единственных факторах риска, что может быть ненадежным. Теперь исследователи из Университета Нового Южного Уэльса в Сиднее использовали машинное обучение (ML), чтобы точно выявить основные факторы, увеличивающие риск суицида и самоповреждения у подростков.
Машинное обучение
Данные о 2 809 подростках были извлечены из Лонгитюдинального исследования австралийских детей (LSAC), национального представительного исследования, начавшегося в 2004 году. Подростки были разделены на две возрастные группы: от 14 до 15 лет и от 16 до 17 лет. Данные были получены из анкет, заполненных детьми, их опекунами и учителями школы. Среди участников 10,5% сообщили о случаях самоповреждения, а 5,2% заявили, что пытались совершить суицид хотя бы раз в течение предыдущих 12 месяцев.
Исследователи выявили более 4 000 потенциальных факторов риска на основе данных в областях психического здоровья, физического здоровья, отношений с другими людьми, школьной и домашней среды. Они использовали “метод случайного леса” (RF), чтобы выявить, какие факторы риска, обнаруженные в возрасте 14-15 лет, наиболее предсказуемы в отношении суицида и самоповреждения в возрасте 16-17 лет.
RF - это алгоритм машинного обучения с учителем, состоящий из деревьев решений. Он объединяет вывод нескольких деревьев решений, чтобы получить один результат. Основная идея RF заключается в том, что, объединяя много деревьев решений в одну модель, прогнозы в среднем будут довольно точными.
Прогностическую эффективность ML модели сравнили с подходом, использующим только предыдущую историю самоповреждения или попыток суицида в качестве предсказателя. Эффективность каждой модели определялась путем оценки площади под кривой (AUC), метрики эффективности, которая варьируется от 0,5 (не лучше случайного угадывания) до 1,0 (идеального предсказания). Обычно AUC от 0,7 до 0,8 считается приемлемым для предсказания риска, от 0,8 до 0,9 - отличным, а более 0,9 - выдающимся.
Для обучения RF модели на предсказание самоповреждения использовали 48 переменных, что показало приемлемую прогностическую эффективность с AUC 0,740. В отношении предсказания попыток суицида модель, обученная на 315 переменных, достигла AUC 0,722.
В модели самоповреждения среди топовых переменных выделялись "Краткий опрос настроения и чувств" (SMFQ), оценивающий симптомы депрессии, оценки вопросника "Силы и трудности" (SDQ), оценивающего поведение и эмоции, стрессовые жизненные события, шкалы пубертата, отношения между ребенком и родителем, автономия, чувство принадлежности к школе и наличие у ребенка отношений. Для модели попыток суицида важными предсказателями были SMFQ, SDQ, шкала тревожности Спенса, оценивающая тяжесть симптомов тревожности, и индекс CHU9D, мера качества жизни, связанная с здоровьем.
По сравнению с использованием только предыдущих случаев самоповреждения или попыток суицида в качестве предсказателей, модели машинного обучения показали лучшие результаты. Использование предыдущего самоповреждения для предсказания повторного самоповреждения дало AUC 0,645, предыдущей попытки суицида для предсказания повторной попытки - AUC 0,630, и самоповреждение для предсказания попытки суицида - AUC 0,647.
Исследователей удивило то, что предыдущие попытки суицида или самоповреждения не оказались высокими факторами риска, и что окружающая среда играет такую важную роль. Исследователи также отметили, что существуют уникальные факторы, специфичные для суицида или самоповреждения. Так, уникальным предиктором суицида было отсутствие самоэффективности, когда человек чувствует отсутствие контроля над своей средой и будущим. А уникальным предиктором самоповреждения было отсутствие эмоциональной регуляции.
Почему это важно?
Исследователи считают, что их результаты важны, потому что они опровергают стереотип о том, что люди совершают суицид или самоповреждение исключительно из-за плохого психического здоровья. Они утверждают, что их модель может быть использована для оценки индивидуального риска у подростков.
По словам ученых, на основе информации о пациенте алгоритм машинного обучения может вычислить оценку для каждого человека, и этот процесс можно интегрировать в систему электронных медицинских записей.
Для внедрения этих моделей в клиническую практику требуется дополнительное исследование. Они должны быть применены к реальным клиническим базам данных для подтверждения их эффективности в предсказании попыток суицида и самоповреждения.
Исследование опубликовано в журнале Psychiatry Research.
