Az Amerikai Öngyilkosságmegelőzési Alapítvány szerint az öngyilkosság a 10. vezető halálozási ok az Egyesült Államokban, 2018-ban több mint 1,4 millió öngyilkossági kísérletet regisztráltak. Bár a veszélyeztetettek számára hatékony kezelések állnak rendelkezésre, a klinikusok nem tudják megbízhatóan megjósolni, hogy mely betegeknél valószínűsíthető az öngyilkossági kísérlet.

A Dél-Karolinai Orvosi Egyetem és a Dél-Floridai Egyetem kutatói a JMIR Medical Informatics című szaklapban számolnak be arról, hogy fontos lépéseket tettek a probléma megoldása felé egy olyan mesterséges intelligencia algoritmus létrehozásával, amely az elektronikus egészségügyi nyilvántartásban szereplő klinikai feljegyzésekben szereplő információk alapján automatikusan képes azonosítani a szándékos önkárosítás magas kockázatának kitett betegeket.

A tanulmányt Dr. Jihad Obeid, a MUSC Biomedical Informatics Center társigazgatója és Dr. Brian Bunnell, a MUSC korábbi munkatársa, jelenleg a Dél-Floridai Egyetem Pszichiátriai és Viselkedési Idegtudományi Tanszékének adjunktusa vezette.

A csapat az elektronikus egészségügyi nyilvántartásban található strukturálatlan, szöveges adatok elemzésére komplex mesterséges neurális hálózatokat használt, a mesterséges intelligencia mélytanulásként is ismert formáját. A mélytanulási módszerek fokozatosan mesterséges hálózatok rétegeit használják, hogy a nyers bemeneti adatokból magasabb szintű információkat vonjanak ki. A csoport kimutatta, hogy ezek a modellek, miután betanították őket, képesek azonosítani a szándékos önkárosítás kockázatának kitett betegeket.

“Az ilyen jellegű munka azért fontos, mert a legújabb technológiákat használja fel egy olyan fontos probléma kezelésére, mint az öngyilkosság, és azonosítja a veszélyeztetett betegeket, hogy megfelelő kezelésre lehessen őket utalni” – mondta Obeid.

A kutatók eddig elsősorban az elektronikus egészségügyi nyilvántartás strukturált adataira támaszkodtak a veszélyeztetett betegek azonosítása és előrejelzése során. A strukturált adatok olyan táblázatos információkat jelentenek, amelyeket a klinikai ellátás részeként az elektronikus egészségügyi nyilvántartás kijelölt mezőibe vittek be. Amikor például az orvosok diagnosztizálják a betegeket és hozzárendelik a betegségek nemzetközi osztályozásának (ICD) kódjait, strukturált adatokat hoznak létre. Ezt a fajta táblázatos, strukturált adatot a számítógépes programok könnyen elemezhetik.

Az elektronikus egészségügyi nyilvántartásban szereplő releváns információk 80-90%-a azonban szöveges formátumban van rögzítve. Más szóval, az elektronikus egészségügyi nyilvántartásban található klinikai feljegyzések, állapotjelentések, ápolási terv feljegyzések és egyéb narratív szövegek hatalmas kiaknázatlan erőforrást jelentenek a kutatás számára. Obeid tanulmánya egyedülálló, mivel mély neurális hálózatokat használ az elektronikus egészségügyi nyilvántartásban található klinikai feljegyzések “olvasására”, valamint az önkárosítás kockázatának kitett betegek azonosítására és előrejelzésére.

A MUSC intézményi felülvizsgálati bizottsága által végzett hatósági etikai felülvizsgálat és a javasolt kutatás jóváhagyása után Obeid a MUSC kutatási adattárházában a szándékos önkárosításra utaló ICD-kódokkal kapcsolatos betegrekordok azonosításával kezdte. Ez a raktár, amelyet a Dél-Karolinai Klinikai & Transzlációs Kutatóintézet támogatásával hoztak létre, hozzáférést biztosít a MUSC kutatóinak a betegek elektronikus egészségügyi adataihoz, feltéve, hogy megkapták a szükséges engedélyeket.

A valós forgatókönyv szimulálása érdekében Obeid és csapata a klinikai feljegyzéseket két időbeli kategóriára osztotta: 2012-2017-es feljegyzésekre, amelyeket a modellek betanításához használtak, és 2018-2019-es feljegyzésekre, amelyeket a betanított modellek teszteléséhez használtak. Először megnézték a kórházi látogatás során felvett klinikai feljegyzéseket, amelyekben az ICD-kódot kiosztották. Ezt használva képzési adatkészletként a modellek “megtanulták”, hogy a betegek elektronikus orvosi feljegyzéseiben szereplő klinikai feljegyzésekben szereplő nyelvi minták mely nyelvi mintákat társították a szándékos önkárosítás ICD-kódjának hozzárendeléséhez. Miután a modelleket betanították, 98,5%-os pontossággal tudták azonosítani ezeket a betegeket kizárólag a klinikai feljegyzések szövegének elemzése alapján. A szakértők kézzel felülvizsgálták a feljegyzések egy részhalmazát, hogy megerősítsék a modell pontosságát.

Ezután a csoport azt tesztelte, hogy a legpontosabb modellek képesek-e az elektronikus egészségügyi nyilvántartásban található klinikai feljegyzéseket felhasználni a jövőbeli önkárosítás előrejelzésére. Ebből a célból Obeid csapata azonosította azon betegek feljegyzéseit, akik szándékos önkárosítással jelentek meg, és a modellt a klinikai feljegyzéseik alapján képezték ki a szándékos önkárosító kórházi látogatást megelőző hat hónap és egy hónap között. Ezután tesztelték, hogy a betanított modellek képesek-e helyesen megjósolni, hogy ezek a betegek később szándékos önkárosítással fognak-e jelentkezni.

A kizárólag klinikai feljegyzések alapján történő jövőbeli önkárosítás előrejelzése nagyobb kihívásnak bizonyult, mint a jelenlegi veszélyeztetett betegek azonosítása, mivel a modellbe a hatalmas mennyiségű kórtörténet bevonásával extra “zaj” keletkezik. A korábbi klinikai feljegyzések általában változatosak és nem mindig relevánsak. Ha például egy beteget hat hónappal a szándékos önkárosítás miatti kórházi látogatását megelőzően depresszió vagy egyéb mentális problémák miatt kezeltek, akkor a klinikai feljegyzések valószínűleg releváns információkat tartalmaznak. Ha azonban a beteg a mentális egészséghez nem kapcsolódó betegség miatt érkezett, akkor a feljegyzések kisebb valószínűséggel tartalmaztak releváns információkat.

Míg az irreleváns információk bevonása sok zajt visz be az adatelemzésbe, az eredmények előrejelzéséhez az összes ilyen információt be kell vonni a modellekbe a betegek között. Ennek eredményeképpen a modell kevésbé volt pontos annak előrejelzésében, hogy mely betegeknél jelentkezik később szándékos önkárosítás, mint a jelenlegi betegek egyszerű besorolása az öngyilkossági kockázat szempontjából. Mindazonáltal ennek a modellnek az előrejelzési pontossága nagyon versenyképes volt a strukturált adatokra támaszkodó modellekről korábban jelentettekkel, és közel 80%-os pontosságot ért el viszonylag magas érzékenység és pontosság mellett.

Obeid csapata megmutatta, hogy a mély tanulási modellek segítségével megvalósítható a szándékos önkárosítás kockázatának kitett betegek azonosítása pusztán a klinikai feljegyzések alapján. A tanulmány azt is kimutatta, hogy a modellek segítségével viszonylag jó hűséggel megjósolható, hogy az elektronikus egészségügyi nyilvántartásban szereplő klinikai feljegyzések alapján mely betegek fognak a jövőben szándékos önkárosítás miatt jelentkezni.

Ezek a korai eredmények ígéretesek, és klinikai szinten nagy hatással lehetnek. Ha a mélytanulási modellek segítségével megjósolható, hogy a klinikai feljegyzések alapján mely betegeknél áll fenn az öngyilkossági kockázat, akkor a klinikusok a magas kockázatú betegeket korán megfelelő kezelésre utalhatják. Ha ezeket a modelleket arra használják, hogy a betegeket az önkárosítás szempontjából veszélyeztetettnek minősítsék, az megkönnyítheti az öngyilkosság szempontjából releváns potenciális új kezelésekkel kapcsolatos klinikai vizsgálatokba és kísérletekbe való felvételt is.

A jövőbeni tanulmányokban Obeid célja, hogy értékelje a modelljei előrejelzési időablakának változását, például hat hónap helyett egy évvel a beteg szándékos önkárosítással kapcsolatos megjelenése előtti feljegyzéseket vizsgálja. A csoport más kimeneteleket, például az öngyilkosságot vagy az öngyilkossági gondolatokat is meg kívánja vizsgálni. És bár a modellek jól működnek a MUSC-ben, Obeidnek most meg kell mutatnia, hogy más intézményekre is általánosíthatók.

“A modelleket ki lehet-e képezni egy helyen, és át lehet-e vinni egy másik helyre, és akkor is működnek-e?” – kérdezte Obeid. “Ha a válasz igen, akkor ez kritikus erőforrásokat takarít meg, mert más intézményeknek nem kell drága és időigényes kézi kórlapvizsgálatokat végezniük annak megerősítésére, hogy a modellek a képzési időszakok alatt helyesen járnak el.”

A MUSC-ről

Az 1824-ben Charlestonban alapított Dél-Karolinai Orvosi Egyetem (MUSC) a Dél legrégebbi orvosi iskolája, valamint az állam egyetlen integrált, egyetemi egészségügyi tudományos központja, amelynek egyedülálló feladata az állam szolgálata az oktatás, kutatás és betegellátás révén. A MUSC évente több mint 3000 diákot és közel 800 rezidenst oktat és képez hat főiskolán: Egészségügyi szakmák, orvostudomány, ápolás és gyógyszerészet. Az állam vezetője az orvosbiológiai kutatási alapok megszerzésében, a 2019-es pénzügyi évben a MUSC új csúcsot állított fel, több mint 284 millió dollárt hozva be. Az akadémiai programokkal kapcsolatos információkért látogasson el a musc.edu.

A Dél-Karolinai Orvosi Egyetem klinikai egészségügyi rendszereként a MUSC Health elkötelezett a rendelkezésre álló legmagasabb színvonalú betegellátás biztosítása mellett, miközben kompetens, együttérző egészségügyi szolgáltatók generációit képzi ki, hogy Dél-Karolina és azon túl is szolgálják az embereket. A MUSC Health mintegy 1600 ágyat, több mint 100 kihelyezett helyet, a MUSC College of Medicine-t, az orvosok praxistervét és közel 275 távgyógyászati helyszínt magában foglaló MUSC Health nyolc kórházat birtokol és működtet, amelyek Charleston, Chester, Florence, Lancaster és Marion megyékben találhatók. 2020-ban a U.S. News & World Report már hatodik egymást követő évben nevezte a MUSC Health-et Dél-Karolina első számú kórházának. Ha többet szeretne megtudni a klinikai betegellátásról, látogasson el a muschealth.org.

A MUSC és leányvállalatai együttes éves költségvetése 3,2 milliárd dollár. A MUSC csapatának több mint 17 000 tagja között világszínvonalú oktatók, orvosok, szakellátók és tudósok vannak, akik úttörő oktatást, kutatást, technológiát és betegellátást nyújtanak.

Az SCTR Intézetről

A Dél-Karolinai Klinikai & Transzlációs Kutatási Intézet (SCTR) katalizátora az orvosbiológiai kutatás kultúrájának megváltoztatásának, megkönnyíti az erőforrások és a szakértelem megosztását és a kutatással kapcsolatos folyamatok racionalizálását, hogy nagyszabású változást hozzon a klinikai és transzlációs kutatási erőfeszítésekben Dél-Karolinában. Víziónk a lakosság egészségügyi eredményeinek és életminőségének javítása a bizonyítékokon alapuló gyakorlatba átültetett felfedezések révén. Ha többet szeretne megtudni, látogasson el a https://research.musc.edu/resources/sctr

weboldalra.