Podle Americké nadace pro prevenci sebevražd je sebevražda desátou nejčastější příčinou úmrtí v USA, přičemž v roce 2018 bylo zaznamenáno více než 1,4 milionu pokusů o sebevraždu. Přestože je pro ohrožené osoby k dispozici účinná léčba, lékaři nemají spolehlivý způsob, jak předpovědět, kteří pacienti se pravděpodobně pokusí o sebevraždu.

Výzkumníci z Lékařské univerzity v Jižní Karolíně a Univerzity Jižní Floridy v časopise JMIR Medical Informatics uvádějí, že učinili důležité kroky k řešení tohoto problému vytvořením algoritmu umělé inteligence, který dokáže automaticky identifikovat pacienty s vysokým rizikem úmyslného sebepoškození na základě informací z klinických záznamů v elektronické zdravotní dokumentaci.

Studii vedli doktor Jihad Obeid, spoluředitel Centra biomedicínské informatiky MUSC, a doktor Brian Bunnell, který dříve působil v MUSC a v současnosti je odborným asistentem na katedře psychiatrie a behaviorálních neurověd na University of South Florida.

Tým použil k analýze nestrukturovaných textových dat v elektronických zdravotních záznamech komplexní umělé neuronové sítě, což je forma umělé inteligence známá také jako hluboké učení. Metody hlubokého učení postupně využívají vrstvy umělých sítí k extrakci vyšších informací ze surových vstupních dat. Tým ukázal, že tyto modely po natrénování dokážou identifikovat pacienty ohrožené úmyslným sebepoškozením.

„Tento druh práce je důležitý, protože využívá nejmodernější technologie k řešení tak důležitého problému, jako je sebevražda, a identifikuje ohrožené pacienty tak, aby mohli být předáni k odpovídající léčbě,“ řekl Obeid.

Dosud se vědci při identifikaci a predikci ohrožených pacientů spoléhali především na strukturovaná data v elektronické zdravotní dokumentaci. Strukturovanými daty se rozumí tabulkové informace, které byly v rámci klinické péče zadány do určených polí v elektronické zdravotní dokumentaci. Například když lékaři diagnostikují pacienty a přiřazují jim kódy podle Mezinárodní klasifikace nemocí (MKN), vytvářejí strukturovaná data. Tento druh tabelovaných, strukturovaných dat je pro počítačové programy snadno analyzovatelný.

Naproti tomu 80 % až 90 % relevantních informací v elektronické zdravotní dokumentaci je zachyceno v textovém formátu. Jinými slovy, klinické poznámky, zprávy o průběhu léčby, poznámky k plánu péče a další narativní texty v elektronické zdravotní dokumentaci představují obrovský nevyužitý zdroj pro výzkum. Obeidova studie je jedinečná, protože využívá hluboké neuronové sítě ke „čtení“ klinických poznámek v elektronických zdravotních záznamech a k identifikaci a předvídání pacientů ohrožených sebepoškozováním.

Po zákonném etickém posouzení a schválení navrhovaného výzkumu Institutional Review Board v MUSC začal Obeid identifikací záznamů pacientů spojených s ICD kódy indikujícími úmyslné sebepoškozování ve výzkumném datovém skladu MUSC. Tento sklad, který byl vytvořen s podporou South Carolina Clinical & Translational Research Institute, poskytuje výzkumným pracovníkům MUSC přístup k údajům z elektronických zdravotních záznamů pacientů, pokud získali potřebná povolení.

V zájmu simulace reálného scénáře rozdělili Obeid a jeho tým klinické záznamy do dvou časových kategorií: záznamy z let 2012-2017, které byly použity pro trénování modelů, a záznamy z let 2018-2019, které byly použity pro testování natrénovaných modelů. Nejprve se podívali na klinické záznamy pořízené během návštěvy v nemocnici, při níž byl přidělen kód ICD. Na základě toho se modely jako tréninkový soubor dat „naučily“, které jazykové vzorce v klinických poznámkách v elektronických lékařských záznamech pacientů byly spojeny s přidělením ICD kódu úmyslného sebepoškození. Jakmile byly modely vycvičeny, dokázaly identifikovat tyto pacienty pouze na základě analýzy textu v klinických poznámkách, a to s přesností 98,5 %. Odborníci ručně přezkoumali podskupinu záznamů, aby potvrdili přesnost modelu.

Dále tým testoval, zda nejpřesnější z modelů dokáže využít klinické poznámky v elektronické zdravotní dokumentaci k předpovědi budoucího sebepoškození. Za tímto účelem Obeidův tým identifikoval záznamy pacientů, kteří se prezentovali úmyslným sebepoškozením, a trénoval model pomocí jejich klinických poznámek v období od šesti měsíců do jednoho měsíce před návštěvou nemocnice s úmyslným sebepoškozením. Poté testovali, zda vycvičené modely dokážou správně předpovědět, zda se u těchto pacientů později objeví úmyslné sebepoškozování.

Předpovídání budoucího sebepoškozování pouze na základě klinických poznámek se ukázalo být náročnější než identifikace současných rizikových pacientů kvůli dodatečnému „šumu“, který vzniká, když se do modelu zahrne obrovské množství anamnézy pacienta. Historické klinické poznámky bývají různorodé a ne vždy relevantní. Například pokud byl pacient šest měsíců před návštěvou nemocnice kvůli úmyslnému sebepoškozování sledován kvůli depresi nebo jiným psychickým problémům, pak klinické poznámky pravděpodobně obsahovaly relevantní informace. Pokud však pacient přišel kvůli stavu, který nesouvisel s duševním zdravím, pak bylo méně pravděpodobné, že poznámky budou obsahovat relevantní informace.

Přestože zahrnutí irelevantních informací vnáší do analýzy dat mnoho šumu, všechny tyto informace musí být zahrnuty u všech pacientů do modelů, aby bylo možné předpovědět výsledky. V důsledku toho byl model méně přesný při předpovídání toho, u kterých pacientů se později objeví úmyslné sebepoškození, než při prosté klasifikaci současných pacientů z hlediska rizika sebevraždy. Přesto byla predikční přesnost tohoto modelu velmi konkurenceschopná s dříve uváděnou přesností modelů, které se opíraly o strukturovaná data, a dosáhla přesnosti téměř 80 % s relativně vysokou citlivostí a přesností.

Obeidův tým ukázal proveditelnost použití modelů hlubokého učení k identifikaci pacientů ohrožených úmyslným sebepoškozením pouze na základě klinických poznámek. Studie také ukázala, že modely lze s poměrně dobrou věrností použít k předpovědi, u kterých pacientů se v budoucnu objeví úmyslné sebepoškozování na základě klinických poznámek v jejich elektronické zdravotní dokumentaci.

Tyto první výsledky jsou slibné a mohly by mít velký dopad na klinickou úroveň. Pokud lze modely hlubokého učení použít k předvídání, kteří pacienti jsou vysoce ohroženi sebevraždou na základě klinických poznámek, pak mohou kliničtí lékaři včas odeslat vysoce rizikové pacienty k odpovídající léčbě. Použití těchto modelů ke klasifikaci pacientů jako rizikových z hlediska sebepoškozování by také mohlo usnadnit zařazení do klinických studií a testů potenciálních nových léčebných postupů relevantních pro sebevraždu.

V budoucích studiích chce Obeid vyhodnotit změny v predikčním časovém okně svých modelů, například zkoumat záznamy rok před tím, než se pacient dostaví k záměrnému sebepoškozování, namísto šesti měsíců. Tým také hodlá zkoumat další výsledky, jako je sebevražda nebo sebevražedné myšlenky. A přestože modely v MUSC fungují dobře, Obeid nyní musí prokázat, že je lze zobecnit i pro jiné instituce.

„Mohou být modely vycvičeny na jednom místě a přeneseny na jiné místo a stále fungovat?“ ptal se Obeid. „Pokud je odpověď kladná, pak to ušetří důležité zdroje, protože ostatní instituce nebudou muset provádět drahé a časově náročné manuální prověrky karet, aby potvrdily, že modely během tréninkových období postupují správně.“

O MUSC

Medicínská univerzita Jižní Karolíny (MUSC), založená v roce 1824 v Charlestonu, je nejstarší lékařskou fakultou na jihu a také jediným integrovaným akademickým zdravotnickým vědeckým centrem ve státě, jehož jedinečným úkolem je sloužit státu prostřednictvím vzdělávání, výzkumu a péče o pacienty. MUSC každoročně vzdělává a školí více než 3 000 studentů a téměř 800 rezidentů na šesti vysokých školách: Zubní lékařství, postgraduální studium, zdravotnické obory, lékařství, ošetřovatelství a farmacie. MUSC je lídrem státu v získávání finančních prostředků na biomedicínský výzkum, ve fiskálním roce 2019 dosáhla nového maxima a přinesla více než 284 milionů dolarů. Informace o akademických programech najdete na musc.edu.

Jako klinický zdravotnický systém Lékařské univerzity Jižní Karolíny se MUSC Health věnuje poskytování nejkvalitnější dostupné péče o pacienty a zároveň vychovává generace kompetentních a soucitných poskytovatelů zdravotní péče, kteří budou sloužit obyvatelům Jižní Karolíny i mimo ni. Společnost MUSC Health, která zahrnuje přibližně 1 600 lůžek, více než 100 terénních pracovišť, MUSC College of Medicine, plán lékařských praxí a téměř 275 míst telehealth, vlastní a provozuje osm nemocnic nacházejících se v okresech Charleston, Chester, Florence, Lancaster a Marion. V roce 2020 byla společnost MUSC Health již pošesté v řadě označena časopisem U.S. News & World Report za nemocnici č. 1 v Jižní Karolíně. Chcete-li se dozvědět více o klinických službách pro pacienty, navštivte stránky muschealth.org.

MUSC a její pobočky mají společný roční rozpočet ve výši 3,2 miliardy dolarů. Mezi více než 17 000 členů týmu MUSC patří prvotřídní fakulty, lékaři, poskytovatelé specializovaných služeb a vědci, kteří poskytují průkopnické vzdělávání, výzkum, technologie a péči o pacienty.

O Institutu SCTR

Institut klinického & translačního výzkumu v Jižní Karolíně (SCTR) je katalyzátorem změny kultury biomedicínského výzkumu, usnadňuje sdílení zdrojů a odborných znalostí a zefektivňuje procesy související s výzkumem s cílem dosáhnout rozsáhlých změn v klinickém a translačním výzkumu v Jižní Karolíně. Naší vizí je zlepšit zdravotní výsledky a kvalitu života obyvatelstva prostřednictvím objevů převedených do praxe založené na důkazech. Chcete-li se dozvědět více, navštivte https://research.musc.edu/resources/sctr

.