Secondo la Fondazione americana per la prevenzione del suicidio, il suicidio è la decima causa di morte negli Stati Uniti, con oltre 1,4 milioni di tentativi di suicidio registrati nel 2018. Anche se sono disponibili trattamenti efficaci per coloro che sono a rischio, i medici non hanno un modo affidabile per prevedere quali pazienti hanno probabilità di fare un tentativo di suicidio.

Ricercatori della Medical University of South Carolina e della University of South Florida riferiscono in JMIR Medical Informatics di aver fatto passi importanti per affrontare il problema creando un algoritmo di intelligenza artificiale che può identificare automaticamente i pazienti ad alto rischio di autolesionismo intenzionale, sulla base delle informazioni nelle note cliniche della cartella clinica elettronica.

Lo studio è stato condotto da Jihad Obeid, M.D., co-direttore del MUSC Biomedical Informatics Center, e Brian Bunnell, Ph.D., già al MUSC e attualmente un assistente professore nel dipartimento di psichiatria e neuroscienze comportamentali presso l’Università della Florida del Sud.

Il team ha utilizzato complesse reti neurali artificiali, una forma di intelligenza artificiale conosciuta anche come apprendimento profondo, per analizzare i dati testuali non strutturati nella cartella clinica elettronica. I metodi di apprendimento profondo utilizzano progressivamente strati di reti artificiali per estrarre informazioni superiori dai dati di input grezzi. Il team ha dimostrato che questi modelli, una volta addestrati, potrebbero identificare i pazienti a rischio di autolesionismo intenzionale.

“Questo tipo di lavoro è importante perché sfrutta le ultime tecnologie per affrontare un problema importante come il suicidio e identifica i pazienti a rischio in modo che possano essere indirizzati alla gestione appropriata”, ha detto Obeid.

Finora i ricercatori si sono basati principalmente sui dati strutturati nella cartella clinica elettronica per l’identificazione e la previsione dei pazienti a rischio. I dati strutturati si riferiscono a informazioni tabulate che sono state inserite in campi designati nella cartella clinica elettronica come parte della cura clinica. Per esempio, quando i medici diagnosticano i pazienti e assegnano i codici ICD (International Classification of Disease), stanno creando dati strutturati. Questo tipo di dati tabulati e strutturati è facile da analizzare per i programmi informatici.

Tuttavia, dall’80% al 90% delle informazioni pertinenti nella cartella clinica elettronica è intrappolata in formato testo. In altre parole, le note cliniche, i rapporti di progresso, le note sul piano di cura e altri testi narrativi nella cartella clinica elettronica rappresentano un’enorme risorsa non sfruttata per la ricerca. Lo studio di Obeid è unico perché utilizza reti neurali profonde per “leggere” le note cliniche nella cartella clinica elettronica e identificare e prevedere i pazienti a rischio di autolesionismo.

Dopo la revisione etica regolamentare e l’approvazione della ricerca proposta da parte dell’Institutional Review Board del MUSC, Obeid ha iniziato identificando i record dei pazienti associati a codici ICD indicativi di autolesionismo intenzionale nel magazzino dati di ricerca del MUSC. Quel magazzino, che è stato creato con il supporto del South Carolina Clinical & Translational Research Institute, fornisce ai ricercatori del MUSC l’accesso ai dati delle cartelle cliniche elettroniche dei pazienti, purché abbiano ottenuto le autorizzazioni necessarie.

Per simulare uno scenario del mondo reale, Obeid e il suo team hanno diviso le cartelle cliniche in due categorie temporali: le cartelle dal 2012 al 2017 che sono state utilizzate per la formazione dei modelli e le cartelle 2018-2019 che sono state utilizzate per testare i modelli formati. In primo luogo, hanno esaminato le note cliniche prese durante la visita in ospedale in cui è stato assegnato il codice ICD. Usando questo come set di dati di addestramento, i modelli hanno “imparato” quali modelli di linguaggio nelle note cliniche delle cartelle cliniche elettroniche dei pazienti erano associati all’assegnazione di un codice ICD di autolesionismo intenzionale. Una volta che i modelli sono stati addestrati, hanno potuto identificare quei pazienti basandosi solo sulla loro analisi del testo nelle note cliniche, con una precisione del 98,5%. Gli esperti hanno esaminato manualmente un sottoinsieme di registrazioni per confermare l’accuratezza del modello.

In seguito, il team ha testato se il più accurato dei modelli potrebbe utilizzare le note cliniche nella cartella clinica elettronica per prevedere l’autolesionismo futuro. A tal fine, il team di Obeid ha identificato le cartelle dei pazienti che si erano presentati con autolesionismo intenzionale e ha addestrato il modello utilizzando le loro note cliniche tra sei mesi e un mese prima della visita ospedaliera di autolesionismo intenzionale. Hanno poi testato se i modelli addestrati potevano prevedere correttamente se questi pazienti avrebbero poi presentato un autolesionismo intenzionale.

Prevedere l’autolesionismo futuro basandosi solo sulle note cliniche si è rivelato più difficile che identificare i pazienti a rischio a causa del “rumore” extra che viene introdotto quando si includono nel modello grandi quantità di storia del paziente. Le note cliniche storiche tendono ad essere varie e non sempre rilevanti. Per esempio, se un paziente è stato visto per depressione o altri problemi di salute mentale sei mesi prima della sua visita in ospedale per autolesionismo intenzionale, è probabile che le note cliniche includano informazioni rilevanti. Tuttavia, se il paziente è arrivato per una condizione non collegata alla salute mentale, allora è meno probabile che le note includano informazioni rilevanti.

Sebbene l’inclusione di informazioni irrilevanti introduca molto rumore nell’analisi dei dati, tutte queste informazioni devono essere incluse tra i pazienti nei modelli per prevedere gli esiti. Di conseguenza, il modello è stato meno accurato nel prevedere quali pazienti avrebbero poi presentato un autolesionismo intenzionale rispetto alla semplice classificazione dei pazienti attuali per il rischio di suicidio. Tuttavia, l’accuratezza predittiva di questo modello era molto competitiva con quella precedentemente riportata per i modelli che si basavano su dati strutturati, raggiungendo un’accuratezza di quasi l’80% con sensibilità e precisione relativamente alte.

Il team di Obeid ha dimostrato la fattibilità dell’uso di modelli di deep learning per identificare i pazienti a rischio di autolesionismo intenzionale basandosi solo sulle note cliniche. Lo studio ha anche dimostrato che i modelli possono essere utilizzati per prevedere, con discreta fedeltà, quali pazienti si presenteranno in futuro per autolesionismo intenzionale sulla base delle note cliniche nella loro cartella clinica elettronica.

Questi primi risultati sono promettenti e potrebbero avere un grande impatto a livello clinico. Se i modelli di deep learning possono essere utilizzati per prevedere quali pazienti sono ad alto rischio di suicidio sulla base delle note cliniche, allora i medici possono indirizzare precocemente i pazienti ad alto rischio per un trattamento appropriato. Usare questi modelli per classificare i pazienti come a rischio di autolesionismo potrebbe anche facilitare l’arruolamento in studi clinici e sperimentazioni di potenziali nuovi trattamenti rilevanti per il suicidio.

Negli studi futuri, Obeid mira a valutare i cambiamenti nella finestra temporale predittiva per i suoi modelli, per esempio, guardando le registrazioni un anno prima della presentazione di un paziente per autolesionismo intenzionale invece di sei mesi. Il team intende anche esaminare altri risultati come il suicidio o l’ideazione suicida. E mentre i modelli funzionano bene al MUSC, Obeid deve ora dimostrare che possono essere generalizzati ad altre istituzioni.

“I modelli possono essere addestrati in un luogo e trasferiti in un altro luogo e funzionare ancora?” ha chiesto Obeid. “Se la risposta è sì, allora questo consente di risparmiare risorse critiche perché altre istituzioni non dovranno eseguire costose e lunghe revisioni manuali delle cartelle per confermare che i modelli stanno ottenendo il giusto durante i periodi di formazione.”

Informazioni sul MUSC

Fondata nel 1824 a Charleston, la Medical University of South Carolina (MUSC) è la più antica scuola di medicina del Sud, nonché l’unico centro sanitario accademico integrato dello stato, con l’incarico unico di servire lo stato attraverso l’istruzione, la ricerca e la cura del paziente. Ogni anno, il MUSC educa e forma più di 3.000 studenti e quasi 800 residenti in sei college: Medicina dentale, studi universitari, professioni sanitarie, medicina, infermieristica e farmacia. Leader dello stato nell’ottenere fondi per la ricerca biomedica, nell’anno fiscale 2019, il MUSC ha stabilito un nuovo massimo, portando più di 284 milioni di dollari. Per informazioni sui programmi accademici, visitare musc.edu.

Come sistema sanitario clinico della Medical University of South Carolina, MUSC Health è dedicato a fornire la più alta qualità di assistenza al paziente disponibile mentre forma generazioni di fornitori di assistenza sanitaria competenti e compassionevoli per servire la gente della Carolina del Sud e oltre. Composto da circa 1.600 posti letto, più di 100 siti di divulgazione, il MUSC College of Medicine, il piano di pratica dei medici e quasi 275 sedi di telemedicina, MUSC Health possiede e gestisce otto ospedali situati nelle contee di Charleston, Chester, Florence, Lancaster e Marion. Nel 2020, per il sesto anno consecutivo, U.S. News & World Report ha nominato MUSC Health l’ospedale n. 1 nella Carolina del Sud. Per saperne di più sui servizi clinici per i pazienti, visita muschealth.org.

MUSC e i suoi affiliati hanno un budget annuale collettivo di 3,2 miliardi di dollari. Gli oltre 17.000 membri del team del MUSC includono docenti, medici, fornitori di specialità e scienziati di livello mondiale che offrono istruzione, ricerca, tecnologia e assistenza ai pazienti all’avanguardia.

Informazioni sull’Istituto SCTR

Il South Carolina Clinical & Translational Research (SCTR) Institute è il catalizzatore per cambiare la cultura della ricerca biomedica, facilitando la condivisione di risorse e competenze e semplificando i processi legati alla ricerca per portare un cambiamento su larga scala negli sforzi della ricerca clinica e traslazionale nel South Carolina. La nostra visione è quella di migliorare i risultati di salute e la qualità della vita per la popolazione attraverso scoperte tradotte in pratica basata sull’evidenza. Per saperne di più, visitate https://research.musc.edu/resources/sctr

.