Volgens de American Foundation for Suicide Prevention is zelfmoord de tiende doodsoorzaak in de VS, met meer dan 1,4 miljoen geregistreerde zelfmoordpogingen in 2018. Hoewel effectieve behandelingen beschikbaar zijn voor degenen die risico lopen, hebben clinici geen betrouwbare manier om te voorspellen welke patiënten waarschijnlijk een zelfmoordpoging zullen doen.

Onderzoekers van de Medical University of South Carolina en University of South Florida melden in JMIR Medical Informatics dat ze belangrijke stappen hebben gezet in de richting van het aanpakken van het probleem door een kunstmatig intelligentiealgoritme te creëren dat automatisch patiënten kan identificeren met een hoog risico op opzettelijke zelfbeschadiging, op basis van de informatie in de klinische aantekeningen in het elektronische patiëntendossier.

De studie werd geleid door Jihad Obeid, M.D., co-directeur van het MUSC Biomedical Informatics Center, en Brian Bunnell, Ph.D., voorheen bij MUSC en momenteel een assistent-professor in het Department of Psychiatry and Behavioral Neurosciences aan de Universiteit van Zuid-Florida.

Het team gebruikte complexe kunstmatige neurale netwerken, een vorm van kunstmatige intelligentie die ook bekend staat als diep leren, om ongestructureerde, tekstuele gegevens in het elektronische gezondheidsdossier te analyseren. Deep learning-methoden gebruiken geleidelijk lagen van kunstmatige netwerken om hogere informatie uit ruwe invoergegevens te extraheren. Het team toonde aan dat deze modellen, eenmaal getraind, patiënten met een risico op opzettelijke zelfbeschadiging konden identificeren.

“Dit soort werk is belangrijk omdat het gebruikmaakt van de nieuwste technologieën om een belangrijk probleem als zelfmoord aan te pakken en patiënten met een risico te identificeren, zodat ze kunnen worden doorverwezen naar passend beheer,” zei Obeid.

Tot nu toe hebben onderzoekers voornamelijk vertrouwd op gestructureerde gegevens in het elektronisch patiëntendossier voor het identificeren en voorspellen van risicopatiënten. Gestructureerde gegevens verwijzen naar getabelleerde informatie die is ingevoerd in aangewezen velden in het elektronisch patiëntendossier als onderdeel van de klinische zorg. Wanneer artsen bijvoorbeeld patiënten diagnosticeren en ICD-codes (International Classification of Disease) toekennen, creëren zij gestructureerde gegevens. Dit soort getabelleerde, gestructureerde gegevens is gemakkelijk te analyseren door computerprogramma’s.

Maar 80% tot 90% van de pertinente informatie in het elektronisch patiëntendossier zit vast in tekstformaat. Met andere woorden, de klinische aantekeningen, voortgangsrapporten, aantekeningen over het zorgplan en andere verhalende teksten in het elektronische patiëntendossier vormen een enorme onaangeboorde bron voor onderzoek. De studie van Obeid is uniek omdat het diepe neurale netwerken gebruikt om klinische notities in het elektronisch patiëntendossier te “lezen” en patiënten met een risico op zelfbeschadiging te identificeren en te voorspellen.

Na wettelijke ethische beoordeling en goedkeuring van het voorgestelde onderzoek door de Institutional Review Board bij MUSC, begon Obeid met het identificeren van patiëntendossiers die geassocieerd zijn met ICD-codes die indicatief zijn voor opzettelijke zelfbeschadiging in MUSC’s onderzoeksdatawarehouse. Dat magazijn, dat is gemaakt met steun van het South Carolina Clinical & Translational Research Institute, biedt MUSC-onderzoekers toegang tot gegevens uit elektronische patiëntendossiers, op voorwaarde dat ze de nodige toestemmingen hebben verkregen.

Om een real-world scenario te simuleren, verdeelden Obeid en zijn team de klinische dossiers in twee tijdscategorieën: 2012 tot 2017 records die werden gebruikt voor het trainen van de modellen en 2018-2019 records die werden gebruikt voor het testen van de getrainde modellen. Eerst keken ze naar de klinische aantekeningen die werden gemaakt tijdens het ziekenhuisbezoek waarbij de ICD-code werd toegewezen. Met die gegevens als de trainingsdataset “leerden” de modellen welke taalpatronen in de klinische notities van de elektronische medische dossiers van de patiënten geassocieerd waren met de toekenning van een ICD-code van opzettelijke zelfbeschadiging. Nadat de modellen waren getraind, konden ze deze patiënten identificeren op basis van hun analyse van de tekst in de klinische notities, met een nauwkeurigheid van 98,5%. Experts beoordeelden handmatig een subset van dossiers om de nauwkeurigheid van het model te bevestigen.

Daarna testte het team of de meest nauwkeurige van de modellen klinische aantekeningen in het elektronische patiëntendossier kon gebruiken om toekomstige zelfbeschadiging te voorspellen. Daartoe identificeerde Obeid’s team de dossiers van patiënten die zich hadden gepresenteerd met opzettelijke zelfbeschadiging en trainde het model met behulp van hun klinische aantekeningen tussen zes maanden en een maand voorafgaand aan het opzettelijke zelfbeschadigende ziekenhuisbezoek. Vervolgens testten ze of de getrainde modellen correct konden voorspellen of deze patiënten zich later met opzettelijke zelfbeschadiging zouden presenteren.

Het voorspellen van toekomstige zelfbeschadiging alleen op basis van klinische aantekeningen bleek een grotere uitdaging dan het identificeren van huidige risicopatiënten, vanwege de extra “ruis” die wordt geïntroduceerd wanneer grote hoeveelheden van de patiëntgeschiedenis in het model worden opgenomen. Historische klinische aantekeningen zijn vaak gevarieerd en niet altijd relevant. Als een patiënt bijvoorbeeld zes maanden voor zijn of haar bezoek aan het ziekenhuis voor opzettelijke zelfbeschadiging werd gezien voor depressie of andere geestelijke gezondheidsproblemen, dan bevatten de klinische aantekeningen waarschijnlijk relevante informatie. Als de patiënt echter binnenkwam voor een aandoening die niets met geestelijke gezondheid te maken had, dan was de kans kleiner dat de notities relevante informatie bevatten.

Hoewel het opnemen van irrelevante informatie een hoop ruis in de gegevensanalyse introduceert, moet al deze informatie over alle patiënten in de modellen worden opgenomen om uitkomsten te voorspellen. Als gevolg daarvan was het model minder accuraat in het voorspellen welke patiënten zich later zouden melden voor opzettelijke zelfbeschadiging dan het eenvoudig classificeren van huidige patiënten op zelfmoordrisico. Niettemin was de voorspellende nauwkeurigheid van dit model zeer concurrerend met die eerder gerapporteerd voor modellen die vertrouwden op gestructureerde gegevens, het bereiken van een nauwkeurigheid van bijna 80% met relatief hoge gevoeligheid en precisie.

Obeid’s team heeft de haalbaarheid aangetoond van het gebruik van deep learning-modellen om patiënten met een risico op opzettelijke zelfbeschadiging te identificeren op basis van alleen klinische notities. De studie toonde ook aan dat modellen kunnen worden gebruikt om, met vrij goede getrouwheid, te voorspellen welke patiënten zich in de toekomst zullen presenteren voor opzettelijke zelfbeschadiging op basis van klinische notities in hun elektronische patiëntendossier.

Deze vroege resultaten zijn veelbelovend en zouden grote gevolgen kunnen hebben op klinisch niveau. Als deep learning-modellen kunnen worden gebruikt om te voorspellen welke patiënten een hoog risico lopen op zelfmoord op basis van klinische notities, dan kunnen clinici patiënten met een hoog risico vroegtijdig doorverwijzen voor een passende behandeling. Het gebruik van deze modellen om patiënten te classificeren als risicopatiënten voor zelfbeschadiging zou ook de inschrijving voor klinische studies en proeven van potentiële nieuwe behandelingen die relevant zijn voor zelfmoord kunnen vergemakkelijken.

In toekomstige studies wil Obeid veranderingen evalueren in het voorspellende tijdvenster voor zijn modellen, bijvoorbeeld door te kijken naar dossiers van een jaar vóór de presentatie van een patiënt voor opzettelijke zelfbeschadiging in plaats van zes maanden. Het team is ook van plan om andere uitkomsten te onderzoeken, zoals zelfmoord of zelfmoordgedachten. En hoewel de modellen goed werken in het MUSC, moet Obeid nu aantonen dat ze kunnen worden gegeneraliseerd naar andere instellingen.

“Kunnen de modellen worden getraind op de ene locatie en worden overgebracht naar een andere locatie en nog steeds werken?” vroeg Obeid. “Als het antwoord ja is, dan bespaart dit kritieke middelen omdat andere instellingen geen dure en tijdrovende handmatige kaartbeoordelingen hoeven uit te voeren om te bevestigen dat de modellen het goed doen tijdens de trainingsperioden.”

Over MUSC

Opgericht in 1824 in Charleston, is de Medical University of South Carolina (MUSC) de oudste medische school in het zuiden, evenals het enige geïntegreerde, academische gezondheidswetenschapscentrum van de staat met een unieke opdracht om de staat te dienen door middel van onderwijs, onderzoek en patiëntenzorg. Elk jaar leidt het MUSC meer dan 3.000 studenten en bijna 800 coassistenten op in zes colleges: Dental Medicine, Graduate Studies, Health Professions, Medicine, Nursing en Pharmacy. De leider van de staat in het verkrijgen van biomedische onderzoeksfondsen, in het fiscale jaar 2019, heeft MUSC een nieuw hoogtepunt bereikt met het binnenhalen van meer dan 284 miljoen dollar. Voor informatie over academische programma’s, bezoek musc.edu.

Als het klinische gezondheidssysteem van de Medical University of South Carolina, is MUSC Health toegewijd aan het leveren van de hoogste kwaliteit patiëntenzorg die beschikbaar is, terwijl het generaties van bekwame, medelevende zorgverleners opleidt om de mensen van South Carolina en daarbuiten te dienen. MUSC Health, dat ongeveer 1.600 bedden, meer dan 100 outreach sites, het MUSC College of Medicine, het artsenpraktijkplan en bijna 275 telezorglocaties omvat, is eigenaar en exploitant van acht ziekenhuizen in Charleston, Chester, Florence, Lancaster en Marion counties. In 2020, voor het zesde opeenvolgende jaar, noemde U.S. News & World Report MUSC Health het nr. 1 ziekenhuis in South Carolina. Om meer te weten te komen over klinische patiëntendiensten, bezoek muschealth.org.

MUSC en zijn gelieerde bedrijven hebben een collectieve jaarlijkse begroting van $ 3,2 miljard. De meer dan 17.000 MUSC-teamleden omvatten faculteit, artsen, gespecialiseerde zorgverleners en wetenschappers van wereldklasse die baanbrekend onderwijs, onderzoek, technologie en patiëntenzorg leveren.

Over het SCTR-instituut

Het South Carolina Clinical & Translational Research (SCTR) Institute is de katalysator voor het veranderen van de cultuur van biomedisch onderzoek, het vergemakkelijken van het delen van middelen en expertise en het stroomlijnen van onderzoeksgerelateerde processen om grootschalige verandering in de klinische en translationele onderzoeksinspanningen in South Carolina teweeg te brengen. Onze visie is het verbeteren van de gezondheidsresultaten en de kwaliteit van leven voor de bevolking door ontdekkingen te vertalen naar evidence-based praktijk. Ga voor meer informatie naar https://research.musc.edu/resources/sctr