Исследователи с помощью алгоритма машинного обучения определили основные факторы, которые могут предсказать риск самоповреждений и попыток самоубийства у подростков. По их словам, их модель является более точной, чем существующие предикторы риска, и может быть использована для обеспечения индивидуального подхода к уязвимым пациентам.
Подростковый возраст — важнейший период становления. Физические, эмоциональные и социальные изменения могут сделать подростков уязвимыми к проблемам психического здоровья, включая попытки самоубийства и самоповреждения. По данным Австралийского института здравоохранения и социального обеспечения (AIHW), самоубийство является основной причиной смерти австралийцев в возрасте от 15 до 24 лет. В США, по данным Центров по контролю и профилактике заболеваний (CDC), он занимает второе место среди причин смерти подростков в возрасте от 10 до 14 лет.
Стандартный подход к прогнозированию самоубийств и самоповреждений основан на использовании в качестве единственного фактора риска прошлых попыток самоубийства или самоповреждения, что может быть ненадежным. Теперь исследователи из Сиднейского университета Нового Южного Уэльса с помощью машинного обучения (ML) точно определили основные факторы, которые подвергают подростков повышенному риску самоубийства и самоповреждения.
«Иногда нам необходимо переварить и обработать большое количество информации, что не под силу клиницисту», — говорит Пинг-И Дэниел Лин, автор-корреспондент исследования. «Именно поэтому мы обращаемся к алгоритмам машинного обучения».
Данные о 2 809 подростках были получены из Лонгитюдного исследования австралийских детей (LSAC) — репрезентативного национального исследования, начавшегося в 2004 году. Подростки были разделены на две возрастные группы: 14-15-летние и 16-17-летние. Данные были получены из анкет, заполненных детьми, их опекунами и школьными учителями. Среди участников исследования 10,5% сообщили об акте самоповреждения, а 5,2% — о попытке самоубийства хотя бы один раз за последние 12 месяцев.
Исследователи выделили из полученных данных более 4000 потенциальных факторов риска в таких областях, как психическое здоровье, физическое здоровье, взаимоотношения с окружающими, школьная и домашняя обстановка. Они использовали алгоритм случайного леса (random forest, RF) для определения того, какие факторы риска, наблюдавшиеся в 14-15 лет, в наибольшей степени предсказывали попытки самоубийства и самоповреждения в 16-17 лет.
RF — это контролируемый алгоритм машинного обучения, состоящий из деревьев решений. Он объединяет результаты нескольких деревьев решений для получения единого результата. Основная идея RF заключается в том, что при объединении множества деревьев решений в единую модель прогнозы в среднем будут ближе к истине.
Прогностическая эффективность модели ML сравнивалась с подходом, использующим в качестве предиктора только предыдущую историю самоповреждений или попыток самоубийства. Эффективность каждой модели определялась путем оценки площади под кривой (AUC) — показателя, который варьируется от 0,5 (не лучше случайного угадывания) до 1,0 (идеальное предсказание). Как правило, AUC от 0,7 до 0,8 считается приемлемой для прогнозирования риска, от 0,8 до 0,9 — отличной, а более 9,0 — выдающейся.
Для обучения RF-модели прогнозирования самоповреждений было использовано 48 переменных, которая показала хорошую прогностическую эффективность с AUC 0,740. Что касается предсказания попыток самоубийства, то модель, обученная с использованием 315 переменных, показала AUC 0,722.
Для модели самоповреждений наиболее значимые переменные включали Краткий опросник настроения и самочувствия (SMFQ), оценивающий симптомы депрессии, баллы опросника «Сила и трудности» (SDQ), оценивающего поведение и эмоции, стрессовые жизненные события, шкалы полового созревания, детско-родительских отношений, автономности, чувства принадлежности к школе, а также наличие у ребенка парня/девушки. Для модели суицидальных попыток главными предикторами оказались SMFQ, SDQ, шкала тревоги Спенса, оценивающая выраженность симптомов тревоги, и индекс CHU9D — показатель качества жизни, связанного со здоровьем.
По сравнению с использованием в качестве предикторов только истории самоповреждений или суицидальных попыток, ML-модели оказались лучше. Использование предыдущего самоповреждения для прогнозирования повторного самоповреждения дало AUC 0,645, предыдущей попытки самоубийства для прогнозирования повторной попытки — AUC 0,630, а самоповреждения для прогнозирования попытки самоубийства — AUC 0,647.
Исследователей удивило то, что предыдущие попытки самоубийства или самоповреждения не являются фактором повышенного риска и что окружающая среда играет столь важную роль.
«Для нас было удивительно увидеть, что предыдущие попытки не входят в число основных факторов риска», — сказал Лин. «Мы обнаружили, что окружение молодого человека играет большую роль, чем мы думали. Это хорошо с точки зрения профилактики, поскольку теперь мы знаем, что можем сделать для этих людей».
Исследователи также отметили, что существуют уникальные факторы, характерные как для самоубийства, так и для самоповреждения.
«Уникальным предиктором самоубийства является недостаток самоэффективности, когда человек чувствует недостаток контроля над своим окружением и своим будущим», — говорит Лин. «А уникальным предиктором самоповреждения был недостаток эмоциональной регуляции».
По мнению исследователей, полученные ими результаты важны, поскольку они опровергают стереотип, согласно которому люди совершают самоубийства или самоповреждения исключительно из-за плохого психического здоровья. По их словам, их модель может быть использована для индивидуальной оценки риска у подростков.
«Основываясь на информации о пациенте, алгоритм ML может рассчитать балл для каждого человека и интегрировать его в систему электронных медицинских карт», — говорит Лин. «Врач может быстро получить эту информацию, чтобы подтвердить или скорректировать свою оценку».
Для внедрения этих моделей в клиническую практику необходимо провести дополнительные исследования. Необходимо применить их к реальным клиническим базам данных, чтобы подтвердить их эффективность в прогнозировании попыток самоубийства и самоповреждения.
«Как исследователи, мы будем стараться продолжать генерировать больше информации и доказательств», — сказал Лин. «Именно так мы сможем убедить заинтересованные стороны — клиницистов, семьи, пациентов и общество — в ценности этих подходов, основанных на данных».
Исследование было опубликовано в журнале Psychiatry Research.
По материалам UNSW Sydney.