Amerikkalaisen itsemurhien ehkäisysäätiön (American Foundation for Suicide Prevention) mukaan itsemurha on kymmenenneksi yleisin kuolinsyy Yhdysvalloissa, ja vuonna 2018 kirjattiin yli 1,4 miljoonaa itsemurhayritystä. Vaikka riskiryhmiin kuuluville on saatavilla tehokkaita hoitoja, lääkäreillä ei ole luotettavaa keinoa ennustaa, mitkä potilaat todennäköisesti tekevät itsemurhayrityksen.

Etelä-Carolinan lääketieteellisen yliopiston ja Etelä-Floridan yliopiston tutkijat raportoivat JMIR Medical Informatics -lehdessä, että he ovat ottaneet tärkeitä askeleita ongelman ratkaisemiseksi luomalla tekoälyalgoritmin, joka voi automaattisesti tunnistaa potilaat, joilla on suuri riski tahalliseen itsensä vahingoittamiseen, sähköisen terveyskertomuksen kliinisissä muistiinpanoissa olevien tietojen perusteella.

Tutkimusta johtivat tohtori Jihad Obeid, MUSC:n biolääketieteellisen tietotekniikkakeskuksen toinen johtaja, ja tohtori Brian Bunnell, joka työskenteli aiemmin MUSC:ssä ja toimii nykyisin apulaisprofessorina Etelä-Floridan yliopiston psykiatrian ja käyttäytymisneurotiikan laitoksella.

Ryhmä käytti monimutkaisia keinotekoisia neuroverkkoja, tekoälyn muotoa, jota kutsutaan myös syväoppimiseksi, analysoidakseen sähköisen terveyskertomuksen jäsentymätöntä, tekstimuotoista tietoa. Syväoppimismenetelmissä käytetään asteittain keinotekoisten verkkojen kerroksia, jotta raa’asta syötetystä datasta voidaan poimia enemmän tietoa. Ryhmä osoitti, että kun nämä mallit on koulutettu, ne voivat tunnistaa potilaat, jotka ovat vaarassa vahingoittaa itseään tahallisesti.

”Tällainen työ on tärkeää, koska siinä hyödynnetään viimeisintä teknologiaa itsemurhien kaltaisen tärkeän ongelman ratkaisemisessa ja tunnistetaan riskipotilaat, jotta heidät voidaan ohjata asianmukaisen hoidon piiriin”, Obeid sanoi.

Tutkijat ovat toistaiseksi tukeutuneet ensisijaisesti sähköisten terveyskertomusten strukturoituun dataan riskipotilaiden tunnistamisessa ja ennustamisessa. Strukturoiduilla tiedoilla tarkoitetaan taulukoituja tietoja, jotka on syötetty sähköisen terveyskertomuksen määrättyihin kenttiin osana kliinistä hoitoa. Kun lääkärit esimerkiksi diagnosoivat potilaita ja antavat ICD-koodeja (International Classification of Disease), he luovat strukturoitua tietoa. Tällaista taulukoitua, jäsenneltyä tietoa on helppo analysoida tietokoneohjelmilla.

Elektronisen terveyskertomuksen olennaisista tiedoista 80-90 prosenttia on kuitenkin tekstimuodossa. Toisin sanoen kliiniset muistiinpanot, seurantaraportit, hoitosuunnitelmamerkinnät ja muut kertovat tekstit sähköisessä terveyskertomuksessa ovat valtava hyödyntämätön resurssi tutkimusta varten. Obeidin tutkimus on ainutlaatuinen, koska siinä käytetään syviä neuroverkkoja sähköisen terveyskertomuksen kliinisten muistiinpanojen ”lukemiseen” ja sellaisten potilaiden tunnistamiseen ja ennustamiseen, joilla on riski itsensä vahingoittamiseen.

Sen jälkeen, kun MUSC:n institutionaalinen arviointilautakunta oli suorittanut lakisääteisen eettisen tarkastuksen ja hyväksynyt ehdotetun tutkimuksen, Obeid aloitti tunnistamalla potilastietueet, joihin liittyi ICD-koodeja, jotka viittasivat tahalliseen itsensä vahingoittamiseen MUSC:n tutkimustietovarastossa. Kyseinen tietovarasto, joka luotiin Etelä-Carolinan kliinisen & translaatiotutkimusinstituutin tuella, tarjoaa MUSC:n tutkijoille pääsyn potilaiden sähköisiin potilastietoihin edellyttäen, että he ovat saaneet tarvittavat luvat.

Todellisen skenaarion simuloimiseksi Obeid ja hänen työryhmänsä jakoivat kliiniset tietueet kahteen aikaluokkaan: 2012-2017 tietueet, joita käytettiin mallien kouluttamiseen, ja 2018-2019 tietueet, joita käytettiin koulutettujen mallien testaamiseen. Ensin he tarkastelivat kliinisiä muistiinpanoja, jotka tehtiin sen sairaalakäynnin aikana, jossa ICD-koodi annettiin. Käyttämällä tätä koulutustietoaineistona mallit ”oppivat”, mitkä potilaiden sähköisten sairauskertomusten kliinisissä muistiinpanoissa esiintyvät kielimallit liittyivät ICD-koodin antamiseen tahallisesta itsensä vahingoittamisesta. Kun mallit oli koulutettu, ne pystyivät tunnistamaan kyseiset potilaat pelkästään kliinisten muistiinpanojen tekstin analyysin perusteella 98,5 prosentin tarkkuudella. Asiantuntijat kävivät manuaalisesti läpi osajoukon kirjauksia vahvistaakseen mallin tarkkuuden.

Seuraavaksi työryhmä testasi, pystyikö tarkin malleista käyttämään sähköisen potilaskertomuksen kliinisiä muistiinpanoja ennustamaan tulevaa itsensä vahingoittamista. Tätä varten Obeidin työryhmä tunnisti niiden potilaiden tietueet, jotka olivat esittäneet tahallista itsensä vahingoittamista, ja koulutti mallin käyttämällä heidän kliinisiä muistiinpanojaan kuuden kuukauden ja yhden kuukauden välisenä aikana ennen tahallista itsensä vahingoittamista koskevaa sairaalakäyntiä. Sen jälkeen he testasivat, pystyivätkö koulutetut mallit ennustamaan oikein, jos nämä potilaat myöhemmin tekisivät tahallista itsensä vahingoittamista.

Tulevaisuuden itsensä vahingoittamisen ennustaminen pelkästään kliinisten muistiinpanojen perusteella osoittautui haastavammaksi kuin nykyisten riskipotilaiden tunnistaminen johtuen ylimääräisestä ”kohinasta”, joka syntyy, kun malliin sisällytetään valtavat määrät potilashistoriaa. Historialliset kliiniset muistiinpanot ovat yleensä vaihtelevia, eivätkä ne aina ole merkityksellisiä. Jos potilas on esimerkiksi käynyt masennuksen tai muiden mielenterveysongelmien vuoksi kuusi kuukautta ennen tahallisen itsensä vahingoittamisen vuoksi tapahtunutta sairaalakäyntiä, kliiniset muistiinpanot sisälsivät todennäköisesti merkityksellistä tietoa. Jos potilas kuitenkin tuli hoitoon mielenterveyteen liittymättömän sairauden vuoksi, muistiinpanot sisälsivät epätodennäköisemmin asiaankuuluvaa tietoa.

Vaikka epäolennaisten tietojen sisällyttäminen tuo paljon kohinaa data-analyysiin, kaikki nämä tiedot on sisällytettävä potilaskohtaisesti malleihin tulosten ennustamiseksi. Tämän seurauksena malli oli epätarkempi ennustamaan, mitkä potilaat ilmoittaisivat myöhemmin tahallisesta itsensä vahingoittamisesta, kuin pelkkä nykyisten potilaiden luokittelu itsemurhariskin perusteella. Tämän mallin ennustetarkkuus oli kuitenkin hyvin kilpailukykyinen verrattuna aiemmin raportoituihin malleihin, jotka perustuivat strukturoituihin tietoihin, ja se saavutti lähes 80 prosentin tarkkuuden ja suhteellisen korkean herkkyyden ja tarkkuuden.

Obeidin työryhmä on osoittanut, että syväoppimismalleja voidaan käyttää tunnistamaan potilaita, joilla on riski tahalliseen itsensä vahingoittamiseen pelkästään kliinisten muistiinpanojen perusteella. Tutkimus osoitti myös, että mallien avulla voidaan melko hyvällä tarkkuudella ennustaa, mitkä potilaat ilmoittautuvat tulevaisuudessa tahallisen itsensä vahingoittamisen vuoksi sähköisen potilaskertomuksen kliinisten muistiinpanojen perusteella.

Nämä varhaiset tulokset ovat lupaavia, ja niillä voi olla suuria vaikutuksia kliinisellä tasolla. Jos syväoppimismalleja voidaan käyttää ennustamaan, mitkä potilaat ovat kliinisten muistiinpanojen perusteella suuressa itsemurhariskissä, kliinikot voivat ohjata riskipotilaat varhaisessa vaiheessa asianmukaiseen hoitoon. Näiden mallien käyttäminen potilaiden luokittelemiseen itsensä vahingoittamisen riskiryhmään voisi myös helpottaa ilmoittautumista kliinisiin tutkimuksiin ja kokeiluihin, jotka koskevat mahdollisia uusia itsemurhiin liittyviä hoitoja.

Tulevissa tutkimuksissa Obeid pyrkii arvioimaan muutoksia malliensa ennustavassa aikaikkunassa, esimerkiksi tarkastelemalla merkintöjä kuuden kuukauden sijasta vuotta ennen potilaan ilmoittautumista tarkoituksellisen itsensä vahingoittamisen vuoksi. Ryhmä aikoo tutkia myös muita tuloksia, kuten itsemurhaa tai itsemurha-ajatuksia. Vaikka mallit toimivat hyvin MUSC:ssä, Obeidin on nyt osoitettava, että ne voidaan yleistää muihin laitoksiin.

”Voidaanko mallit kouluttaa yhdessä paikassa ja siirtää toiseen paikkaan ja ne voivat silti toimia?” Obeid kysyi. ”Jos vastaus on kyllä, tämä säästää kriittisiä resursseja, koska muiden laitosten ei tarvitse tehdä kalliita ja aikaa vieviä manuaalisia kaavakarttojen tarkistuksia varmistaakseen, että mallit toimivat oikein koulutusjaksojen aikana.”

Tietoa MUSC:stä

Vuonna 1824 Charlestonissa perustettu Etelä-Carolinan lääketieteellinen yliopisto (Medical University of South Carolina, MUSC) on etelän vanhin lääketieteellinen korkeakoulu sekä osavaltion ainoa integroitu akateeminen terveystieteiden keskus, jolla on ainutlaatuinen tehtävä palvella osavaltiota opetuksen, tutkimustyön ja potilashoidon kautta. MUSC kouluttaa vuosittain yli 3 000 opiskelijaa ja lähes 800 asukasta kuudessa korkeakoulussa: Dental Medicine, Graduate Studies, Health Professions, Medicine, Nursing ja Pharmacy. MUSC on osavaltion johtava biolääketieteellisen tutkimuksen rahoittaja, ja verovuonna 2019 MUSC saavutti uuden ennätyksen, kun se sai yli 284 miljoonaa dollaria. Tietoa akateemisista ohjelmista löydät osoitteesta musc.edu.

MUSC Health on Etelä-Carolinan lääketieteellisen yliopiston kliininen terveydenhuoltojärjestelmä, joka on omistautunut tarjoamaan korkealaatuisinta saatavilla olevaa potilashoitoa ja kouluttamaan samalla pätevien, myötätuntoisten terveydenhuollon tarjoajien sukupolvia palvelemaan Etelä-Carolinan ja sen ulkopuolella asuvia ihmisiä. MUSC Health omistaa ja ylläpitää kahdeksan sairaalaa, jotka sijaitsevat Charlestonin, Chesterin, Florencen, Lancasterin ja Marionin piirikunnissa, ja siihen kuuluu noin 1 600 vuodepaikkaa, yli 100 avohoitopaikkaa, MUSC College of Medicine, lääkäreiden harjoittelusuunnitelma ja lähes 275 etälääketieteen toimipistettä. Vuonna 2020 U.S. News & World Report nimesi MUSC Healthin kuudetta kertaa peräkkäin Etelä-Carolinan sairaalaksi nro 1. vuonna 2020. Lisätietoja kliinisistä potilaspalveluista saat osoitteesta muschealth.org.

MUSC:n ja sen tytäryhtiöiden yhteinen vuosibudjetti on 3,2 miljardia dollaria. MUSC-tiimin yli 17 000 jäseneen kuuluu maailmanluokan tiedekuntaa, lääkäreitä, erikoislääkäreitä ja tiedemiehiä, jotka tarjoavat uraauurtavaa koulutusta, tutkimusta, teknologiaa ja potilashoitoa.

Tietoa SCTR-instituutista

South Carolinan kliininen & translaatiotutkimusinstituutti (South Carolina Clinical & Translational Research -instituutti (SCTR-instituutti) on katalysaattori biolääketieteellisen tutkimuskulttuurin muuttamiseksi, resurssien ja asiantuntemuksen jakamisen helpottamiseksi ja tutkimukseen liittyvien prosessien virtaviivaistamiseksi, jotta saadaan aikaan suuren mittakaavan muutos kliinisessä translaatiotutkimuksessa ja translaatiotutkimuksessa eteläisessä Carolinassa. Visiomme on parantaa väestön terveydentilaa ja elämänlaatua löytöjen avulla, jotka muunnetaan näyttöön perustuviksi käytännöiksi. Jos haluat lisätietoja, käy osoitteessa https://research.musc.edu/resources/sctr