I henhold til American Foundation for Suicide Prevention er selvmord den 10. største dødsårsag i USA, med over 1,4 millioner selvmordsforsøg registreret i 2018. Selv om der findes effektive behandlinger til risikogrupper, har klinikere ikke en pålidelig måde at forudsige, hvilke patienter der sandsynligvis vil foretage et selvmordsforsøg.

Forskere fra Medical University of South Carolina og University of South Florida rapporterer i JMIR Medical Informatics, at de har taget vigtige skridt i retning af at løse problemet ved at skabe en algoritme med kunstig intelligens, der automatisk kan identificere patienter med høj risiko for forsætlig selvskade, baseret på oplysninger i de kliniske noter i den elektroniske patientjournal.

Undersøgelsen blev ledet af Jihad Obeid, M.D., meddirektør for MUSC Biomedical Informatics Center, og Brian Bunnell, Ph.D., tidligere på MUSC og i øjeblikket assisterende professor ved Department of Psychiatry and Behavioral Neurosciences på University of South Florida.

Teamet brugte komplekse kunstige neurale netværk, en form for kunstig intelligens også kendt som deep learning, til at analysere ustrukturerede, tekstmæssige data i den elektroniske patientjournal. Dybe indlæringsmetoder anvender gradvist lag af kunstige netværk til at udtrække højere information fra rå inputdata. Holdet viste, at disse modeller, når de først var trænet, kunne identificere patienter i risiko for forsætlig selvskade.

“Denne form for arbejde er vigtigt, fordi det udnytter de nyeste teknologier til at løse et vigtigt problem som selvmord og identificerer patienter i risiko, så de kan henvises til passende behandling,” sagde Obeid.

Hertil har forskerne hidtil primært været afhængige af strukturerede data i den elektroniske patientjournal til identifikation og forudsigelse af patienter i risiko. Strukturerede data henviser til tabulerede oplysninger, der er blevet indtastet i bestemte felter i den elektroniske patientjournal som led i den kliniske behandling. Når læger f.eks. diagnosticerer patienter og tildeler ICD-koder (International Classification of Disease), skaber de strukturerede data. Denne form for tabulerede, strukturerede data er nemme at analysere for computerprogrammer.

Men 80-90 % af de relevante oplysninger i den elektroniske patientjournal er imidlertid indfanget i tekstformat. Med andre ord udgør de kliniske notater, statusrapporter, plejeplan-notater og andre narrative tekster i den elektroniske patientjournal en enorm uudnyttet ressource for forskning. Obeids undersøgelse er enestående, fordi den anvender dybe neurale netværk til at “læse” kliniske noter i den elektroniske patientjournal og identificere og forudsige patienter, der er i risiko for selvskade.

Efter en lovpligtig etisk gennemgang og godkendelse af den foreslåede forskning af Institutional Review Board på MUSC begyndte Obeid med at identificere patientjournaler, der var forbundet med ICD-koder, der indikerer forsætlig selvskade i MUSC’s forskningsdatawarehouse. Dette lager, som blev oprettet med støtte fra South Carolina Clinical & Translational Research Institute, giver MUSC-forskere adgang til patienters elektroniske patientjournaldata, forudsat at de har fået de nødvendige tilladelser.

For at simulere et scenarie fra den virkelige verden opdelte Obeid og hans team de kliniske optegnelser i to tidskategorier: 2012 til 2017-optegnelser, der blev brugt til træning af modellerne, og 2018-2019-optegnelser, der blev brugt til test af de trænede modeller. Først kiggede de på de kliniske noter, der blev taget under det hospitalsbesøg, hvor ICD-koden blev tildelt. Ved at bruge dette som træningsdatasæt “lærte” modellerne, hvilke sprogmønstre i de kliniske noter i patienternes elektroniske patientjournaler der var forbundet med tildelingen af en ICD-kode for forsætlig selvskade. Da modellerne først var trænet, kunne de identificere disse patienter udelukkende på grundlag af deres analyse af teksten i de kliniske noter med en nøjagtighed på 98,5 %. Eksperter gennemgik manuelt en delmængde af journaler for at bekræfte modellens nøjagtighed.

Dernæst testede holdet, om den mest nøjagtige af modellerne kunne bruge kliniske noter i den elektroniske patientjournal til at forudsige fremtidig selvskade. Til dette formål identificerede Obeids hold journalerne for patienter, der havde præsenteret sig med forsætlig selvskade, og trænede modellen ved hjælp af deres kliniske noter mellem seks måneder til en måned før det forsætlige selvskadende hospitalsbesøg. Herefter testede de, om de trænede modeller kunne forudsige korrekt, om disse patienter senere ville komme til at præsentere forsætlig selvskade.

Forudsigelse af fremtidig selvskade baseret udelukkende på kliniske noter viste sig at være mere udfordrende end identifikation af nuværende risikopatienter på grund af den ekstra “støj”, der indføres, når store mængder patienthistorie indgår i modellen. Historiske kliniske noter har en tendens til at være varierede og ikke altid relevante. Hvis en patient f.eks. blev set for depression eller andre psykiske problemer seks måneder før sit hospitalsbesøg på grund af forsætlig selvskade, var det sandsynligt, at de kliniske noter indeholdt relevante oplysninger. Men hvis patienten kom ind på grund af en tilstand, der ikke havde noget med mental sundhed at gøre, var der mindre sandsynlighed for, at notaterne indeholdt relevante oplysninger.

Selv om medtagelsen af irrelevante oplysninger introducerer en masse støj i dataanalysen, skal alle disse oplysninger medtages på tværs af patienterne i modellerne for at forudsige resultaterne. Som følge heraf var modellen mindre præcis til at forudsige, hvilke patienter der senere ville præsentere sig for forsætlig selvskade, end blot at klassificere nuværende patienter for selvmordsrisiko. Ikke desto mindre var denne models forudsigelsesnøjagtighed meget konkurrencedygtig med den, der tidligere er rapporteret for modeller, der var baseret på strukturerede data, idet den nåede en nøjagtighed på næsten 80 % med relativt høj følsomhed og præcision.

Obeids hold har vist, at det er muligt at bruge deep learning-modeller til at identificere patienter med risiko for forsætlig selvskade alene på grundlag af kliniske noter. Undersøgelsen viste også, at modellerne kan bruges til med ret god troværdighed at forudsige, hvilke patienter der i fremtiden vil præsentere sig selv for forsætlig selvskade på baggrund af kliniske noter i deres elektroniske patientjournal.

Disse tidlige resultater er lovende og kan få store konsekvenser på klinisk niveau. Hvis deep learning-modeller kan bruges til at forudsige, hvilke patienter der er i høj risiko for selvmord på baggrund af kliniske noter, kan klinikere henvise højrisikopatienter tidligt til passende behandling. Hvis disse modeller bruges til at klassificere patienter som værende i risiko for selvskade, kan det også lette indskrivningen i kliniske undersøgelser og forsøg med potentielle nye behandlinger, der er relevante for selvmord.

I fremtidige undersøgelser sigter Obeid mod at evaluere ændringer i det forudsigende tidsvindue for hans modeller, f.eks. ved at se på optegnelser et år før en patients præsentation for forsætlig selvskade i stedet for seks måneder. Holdet har også til hensigt at undersøge andre resultater såsom selvmord eller selvmordsideer. Og selv om modellerne fungerer godt på MUSC, skal Obeid nu vise, at de kan generaliseres til andre institutioner.

“Kan modellerne trænes på ét sted og overføres til et andet sted og stadig fungere?” spurgte Obeid. “Hvis svaret er ja, sparer det vigtige ressourcer, fordi andre institutioner ikke behøver at foretage dyre og tidskrævende manuelle journalgennemgange for at bekræfte, at modellerne gør det rigtigt i træningsperioderne.”

Om MUSC

Medical University of South Carolina (MUSC) blev grundlagt i 1824 i Charleston og er det ældste medicinske fakultet i Sydstaterne samt statens eneste integrerede, akademiske sundhedsvidenskabelige center med et unikt ansvar for at tjene staten gennem uddannelse, forskning og patientpleje. MUSC uddanner hvert år mere end 3 000 studerende og næsten 800 praktiserende læger på seks colleges: Tandlægevidenskab, Graduate Studies, Health Professions, Medicin, Sygepleje og Apotek. MUSC er statens førende i forhold til at opnå biomedicinske forskningsmidler og satte i finansåret 2019 et nyt højdepunkt med mere end 284 millioner dollars i indtjening. For oplysninger om akademiske programmer, besøg musc.edu.

Som det kliniske sundhedssystem under Medical University of South Carolina er MUSC Health dedikeret til at levere patientpleje af højeste kvalitet og samtidig uddanne generationer af kompetente, medfølende sundhedsplejersker til at tjene befolkningen i South Carolina og udenfor. MUSC Health, der omfatter ca. 1.600 senge, mere end 100 outreach-steder, MUSC College of Medicine, lægernes praksisplan og næsten 275 telesundhedssteder, ejer og driver otte hospitaler beliggende i Charleston, Chester, Florence, Lancaster og Marion counties. I 2020 kårede U.S. News & World Report for sjette år i træk MUSC Health som hospital nr. 1 i South Carolina. Hvis du vil vide mere om kliniske patienttjenester, kan du besøge muschealth.org.

MUSC og dets tilknyttede selskaber har kollektive årlige budgetter på 3,2 milliarder dollars. De mere end 17.000 MUSC-teammedlemmer omfatter fakultetet, læger, specialiserede udbydere og forskere i verdensklasse, der leverer banebrydende uddannelse, forskning, teknologi og patientpleje.

Om SCTR Institute

The South Carolina Clinical & Translational Research (SCTR) Institute er katalysator for at ændre kulturen inden for biomedicinsk forskning, lette deling af ressourcer og ekspertise og strømline forskningsrelaterede processer for at skabe ændringer i stor skala i den kliniske og translationelle forskningsindsats i South Carolina. Vores vision er at forbedre sundhedsresultater og livskvalitet for befolkningen gennem opdagelser, der omsættes til evidensbaseret praksis. Hvis du vil vide mere, kan du besøge https://research.musc.edu/resources/sctr