Дослідники використали алгоритм машинного навчання, щоб визначити основні фактори, які можуть передбачити ризик самоушкодження та спроби самогубства серед підлітків. Вони кажуть, що їхня модель є більш точною, ніж існуючі предиктори ризику, і може бути використана для надання індивідуалізованої допомоги вразливим пацієнтам.
Підлітковий вік – це критичний період становлення особистості. Фізичні, емоційні та соціальні зміни можуть зробити підлітків вразливими до проблем з психічним здоров’ям, включаючи спроби самогубства та самоушкодження. За даними Австралійського інституту охорони здоров’я та соціального забезпечення (AIHW), самогубство є основною причиною смерті серед австралійців у віці від 15 до 24 років. У США Центри з контролю і профілактики захворювань (CDC) називають його другою причиною смерті серед дітей віком від 10 до 14 років.
Стандартний підхід до прогнозування самогубства або самоушкодження ґрунтується на минулих спробах самогубства або самоушкодження як єдиному факторі ризику, який може бути ненадійним. Тепер дослідники під керівництвом Університету Нового Південного Уельсу в Сіднеї використали машинне навчання (ML), щоб точно визначити основні фактори, які піддають підлітків підвищеному ризику суїциду та самоушкодження.
“Іноді нам потрібно перетравити і обробити багато інформації, яка була б не під силу клініцисту, – сказав Пінг-І Деніел Лін (Ping-I Daniel Lin), відповідний автор дослідження. “Саме тому ми використовуємо алгоритми машинного навчання”.
Дані 2 809 підлітків були отримані в ході Лонгітюдного дослідження австралійських дітей (LSAC), національного репрезентативного дослідження, яке розпочалося в 2004 році. Підлітки були розділені на дві вікові групи: 14-15 років та 16-17 років. Дані були отримані з анкет, заповнених дітьми, їхніми вихователями та шкільними вчителями. Серед учасників 10,5% повідомили про акти самоушкодження, а 5,2% повідомили про спроби самогубства принаймні один раз за попередні 12 місяців.
На основі отриманих даних дослідники визначили понад 4 000 потенційних факторів ризику в таких сферах, як психічне здоров’я, фізичне здоров’я, стосунки з іншими людьми, шкільне та домашнє середовище. Вони використовували алгоритм випадкового лісу (RF), щоб визначити, які фактори ризику, виявлені у віці 14-15 років, є найбільш вірогідними для суїциду та спроб самоушкодження у віці 16-17 років.
RF – це керований алгоритм машинного навчання, що складається з дерев рішень. Він об’єднує вихідні дані декількох дерев рішень для досягнення єдиного результату. Фундаментальна ідея RF полягає в тому, що, об’єднавши багато дерев рішень в одну модель, прогнози в середньому будуть ближчими до позначки.
Прогностичну ефективність моделі ML порівнювали з підходом, що використовує лише попередню історію самоушкоджень або спроб самогубства в якості предиктора. Ефективність кожної моделі визначалася за допомогою оцінки площі під кривою (AUC) – показника ефективності, який варіюється від 0,5 (не краще, ніж випадкове вгадування) до 1,0 (ідеальне передбачення). Загалом, AUC від 0,7 до 0,8 вважається прийнятним для прогнозування ризику, від 0,8 до 0,9 – відмінним, а понад 9,0 – видатним.
Для навчання RF-моделі для прогнозування самоушкоджень було використано 48 змінних, і вона продемонструвала задовільну прогностичну ефективність з AUC 0,740. Що стосується прогнозування спроб самогубства, то модель, яка була навчена з використанням 315 змінних, досягла AUC 0,722.
Для моделі самоушкодження найкращими змінними були визначені показники Короткого опитувальника настрою та почуттів (SMFQ), який оцінює симптоми депресії, показники Опитувальника сильних сторін та труднощів (SDQ), який оцінює поведінку та емоції, стресові події в житті, шкали статевого дозрівання, дитячо-батьківські стосунки, автономію, почуття приналежності до школи, а також наявність у дитини хлопця/дівчини. Для моделі спроб самогубства найкращими предикторами були SMFQ, SDQ, шкала тривоги Спенса, яка оцінює вираженість симптомів тривоги, та індекс CHU9D – показник якості життя, пов’язаної зі здоров’ям.
Порівняно з використанням лише історії самоушкоджень або спроб самогубства в якості предикторів, моделі ML показали кращі результати. Використання попереднього самоушкодження для прогнозування повторного самоушкодження досягло AUC 0,645, попередньої спроби самогубства для прогнозування повторної спроби – AUC 0,630, а самоушкодження для прогнозування спроби самогубства – AUC 0,647.
Дослідників здивувало те, що попередні спроби самогубства або самоушкодження не були фактором високого ризику і що оточення відігравало таку важливу роль.
“Для нас було несподіванкою побачити, що попередні спроби не були серед головних факторів ризику, – каже Лін. “Ми виявили, що оточення молодої людини відіграє більшу роль, ніж ми думали. Це добре з точки зору профілактики, адже тепер ми знаємо, що можемо зробити більше для цих людей”.
Дослідники також зазначили, що існують унікальні фактори, характерні як для самогубства, так і для самоушкодження.
“Унікальним предиктором самогубства був брак самоефективності, коли людина відчуває брак контролю над своїм оточенням і своїм майбутнім, – сказав Лін. “А унікальним предиктором самоушкодження був брак емоційної регуляції”.
Дослідники кажуть, що їхні висновки важливі, оскільки вони спростовують стереотип про те, що люди вчиняють самогубство або завдають собі шкоди виключно через поганий стан психічного здоров’я. Вони кажуть, що їхня модель може бути використана для оцінки індивідуального ризику у підлітків.
“На основі інформації про пацієнта алгоритм ML може розрахувати бал для кожної людини, який можна інтегрувати в електронну систему медичних записів, – каже Лін. “Клініцист може швидко отримати цю інформацію, щоб підтвердити або змінити свою оцінку”.
Перш ніж ці моделі можна буде впроваджувати в клінічних умовах, необхідно провести додаткові дослідження. Вони повинні бути застосовані до реальних клінічних баз даних, щоб підтвердити їх ефективність у прогнозуванні самогубств і спроб самоушкодження.
“Як дослідники, ми намагатимемося продовжувати збирати більше інформації та доказів, – сказав Лін. “Це спосіб переконати зацікавлені сторони – клініцистів, сім’ї, пацієнтів і суспільство – у цінності цих підходів, заснованих на даних”.
Дослідження було опубліковане в журналі Psychiatry Research.
За матеріалами: UNSW Sydney