Według Amerykańskiej Fundacji Zapobiegania Samobójstwom, samobójstwo jest dziesiątą wiodącą przyczyną śmierci w Stanach Zjednoczonych, z ponad 1,4 miliona prób samobójczych odnotowanych w 2018 roku. Chociaż dostępne są skuteczne terapie dla osób zagrożonych, klinicyści nie mają niezawodnego sposobu przewidywania, którzy pacjenci są skłonni do podjęcia próby samobójczej.

Badacze z Medical University of South Carolina i University of South Florida donoszą w JMIR Medical Informatics, że podjęli ważne kroki w kierunku rozwiązania tego problemu, tworząc algorytm sztucznej inteligencji, który może automatycznie identyfikować pacjentów o wysokim ryzyku zamierzonej samookaleczenia, w oparciu o informacje zawarte w notatkach klinicznych w elektronicznym rekordzie zdrowia.

Badaniem kierowali Jihad Obeid, M.D., współdyrektor MUSC Biomedical Informatics Center, i Brian Bunnell, Ph.D., dawniej w MUSC, a obecnie adiunkt w Departamencie Psychiatrii i Behavioral Neurosciences na Uniwersytecie Południowej Florydy.

„Ten rodzaj pracy jest ważny, ponieważ wykorzystuje najnowsze technologie do rozwiązania ważnego problemu, jakim jest samobójstwo i identyfikuje pacjentów zagrożonych, aby można było skierować ich do odpowiedniego leczenia”, powiedział Obeid.

Do tej pory badacze polegali głównie na ustrukturyzowanych danych w elektronicznej dokumentacji medycznej w celu identyfikacji i przewidywania pacjentów zagrożonych. Dane strukturalne odnoszą się do tabelarycznych informacji, które zostały wprowadzone do wyznaczonych pól w elektronicznej dokumentacji medycznej jako część opieki klinicznej. Na przykład, kiedy lekarze diagnozują pacjentów i przypisują im kody Międzynarodowej Klasyfikacji Chorób (ICD), tworzą ustrukturyzowane dane. Ten rodzaj tabelarycznych, ustrukturyzowanych danych jest łatwy do przeanalizowania przez programy komputerowe.

Jednakże, 80% do 90% istotnych informacji w elektronicznej dokumentacji medycznej jest uwięzionych w formacie tekstowym. Innymi słowy, notatki kliniczne, raporty z przebiegu choroby, notatki dotyczące planu opieki i inne teksty narracyjne w elektronicznym rekordzie zdrowia stanowią ogromny, niewykorzystany zasób do badań. Badanie Obeida jest wyjątkowe, ponieważ wykorzystuje głębokie sieci neuronowe do „czytania” notatek klinicznych w elektronicznej dokumentacji medycznej oraz identyfikowania i przewidywania pacjentów zagrożonych samookaleczeniem.

W celu symulacji rzeczywistego scenariusza, Obeid i jego zespół podzielili rekordy kliniczne na dwie kategorie czasowe: rekordy od 2012 do 2017, które zostały wykorzystane do szkolenia modeli i rekordy 2018-2019, które zostały wykorzystane do testowania wyszkolonych modeli. Po pierwsze, przyjrzeli się notatkom klinicznym wykonanym podczas wizyty w szpitalu, w którym przypisano kod ICD. Używając tego jako zestawu danych treningowych, modele „nauczyły się”, które wzorce języka w notatkach klinicznych elektronicznej dokumentacji medycznej pacjentów były związane z przypisaniem kodu ICD celowej autodestrukcji. Gdy modele zostały wytrenowane, były w stanie zidentyfikować tych pacjentów wyłącznie na podstawie analizy tekstu w notatkach klinicznych, z dokładnością 98,5%. Eksperci ręcznie przejrzeli podzbiór zapisów, aby potwierdzić dokładność modelu.

Następnie zespół sprawdził, czy najdokładniejszy z modeli może wykorzystać notatki kliniczne w elektronicznej dokumentacji medycznej, aby przewidzieć przyszłe samookaleczenia. W tym celu zespół Obeida zidentyfikował zapisy pacjentów, u których doszło do zamierzonej samookaleczenia i wytrenował model, wykorzystując ich notatki kliniczne z okresu od sześciu miesięcy do jednego miesiąca przed wizytą w szpitalu, podczas której doszło do zamierzonej samookaleczenia. Następnie przetestowali, czy wytrenowane modele mogą poprawnie przewidzieć, czy ci pacjenci będą później prezentować zamierzone samookaleczenia.

Przewidywanie przyszłych samookaleczeń w oparciu wyłącznie o notatki kliniczne okazało się trudniejsze niż identyfikacja aktualnych pacjentów z grupy ryzyka ze względu na dodatkowy „szum”, który jest wprowadzany, gdy do modelu włącza się ogromne ilości historii pacjenta. Historyczne notatki kliniczne są zwykle zróżnicowane i nie zawsze istotne. Na przykład, jeśli pacjent był widziany z powodu depresji lub innych problemów ze zdrowiem psychicznym sześć miesięcy przed wizytą w szpitalu z powodu celowego samookaleczenia, wówczas notatki kliniczne prawdopodobnie zawierały istotne informacje. Jeśli jednak pacjent zgłosił się z powodu stanu niezwiązanego ze zdrowiem psychicznym, wówczas istnieje mniejsze prawdopodobieństwo, że notatki będą zawierały istotne informacje.

Pomimo, że włączenie nieistotnych informacji wprowadza dużo szumu do analizy danych, wszystkie te informacje muszą być włączone do modeli dla wszystkich pacjentów, aby przewidzieć wyniki. W rezultacie model był mniej dokładny w przewidywaniu, którzy pacjenci będą później prezentować celowe samookaleczenia, niż po prostu klasyfikowanie obecnych pacjentów pod kątem ryzyka samobójstwa. Niemniej jednak, dokładność predykcyjna tego modelu była bardzo konkurencyjna w stosunku do wcześniej zgłoszonej dla modeli, które opierały się na danych strukturalnych, osiągając dokładność prawie 80% przy stosunkowo wysokiej czułości i precyzji.

Zespół Obeida wykazał wykonalność zastosowania modeli głębokiego uczenia do identyfikacji pacjentów zagrożonych celową autodestrukcją na podstawie samych notatek klinicznych. Badanie wykazało również, że modele mogą być wykorzystywane do przewidywania, z dość dobrą wiernością, którzy pacjenci pojawią się w przyszłości z powodu zamierzonych samookaleczeń na podstawie notatek klinicznych w ich elektronicznej dokumentacji zdrowotnej.

Te wczesne wyniki są obiecujące i mogą mieć duży wpływ na poziomie klinicznym. Jeśli modele głębokiego uczenia mogą być używane do przewidywania, którzy pacjenci są w wysokim stopniu zagrożeni samobójstwem na podstawie notatek klinicznych, wówczas klinicyści mogą wcześnie skierować pacjentów wysokiego ryzyka do odpowiedniego leczenia. Wykorzystanie tych modeli do klasyfikowania pacjentów jako zagrożonych samookaleczeniem mogłoby również ułatwić zapisy do badań klinicznych i prób potencjalnych nowych metod leczenia istotnych dla samobójstw.

W przyszłych badaniach Obeid zamierza ocenić zmiany w przewidywalnym oknie czasowym dla swoich modeli, na przykład, patrząc na zapisy na rok przed prezentacją pacjenta do zamierzonego samookaleczenia zamiast sześciu miesięcy. Zespół zamierza również zbadać inne wyniki, takie jak samobójstwo lub myślenie samobójcze. I chociaż modele działają dobrze w MUSC, Obeid musi teraz pokazać, że mogą one być uogólnione do innych instytucji.

„Czy modele mogą być przeszkolone w jednym miejscu i przeniesione do innego miejsca i nadal działać?” zapytał Obeid. Jeśli odpowiedź brzmi „tak”, to oszczędza to krytyczne zasoby, ponieważ inne instytucje nie będą musiały wykonywać kosztownych i czasochłonnych ręcznych przeglądów wykresów, aby potwierdzić, że modele mają rację podczas okresów szkoleniowych.”

O MUSC

Założony w 1824 roku w Charleston, Uniwersytet Medyczny Karoliny Południowej (MUSC) jest najstarszą szkołą medyczną na południu, jak również jedynym w stanie zintegrowanym, akademickim centrum nauk o zdrowiu z unikalnym zadaniem służenia państwu poprzez edukację, badania i opiekę nad pacjentami. Każdego roku MUSC kształci i szkoli ponad 3,000 studentów i prawie 800 rezydentów w sześciu kolegiach: Dental Medicine, Graduate Studies, Health Professions, Medicine, Nursing i Pharmacy. Lider stanu w pozyskiwaniu funduszy na badania biomedyczne, w roku fiskalnym 2019, MUSC ustanowił nowy rekord, przynosząc ponad 284 miliony dolarów. Aby uzyskać informacje na temat programów akademickich, odwiedź musc.edu.

Jako kliniczny system opieki zdrowotnej Medical University of South Carolina, MUSC Health poświęca się dostarczaniu najwyższej jakości opieki nad pacjentami dostępnej podczas szkolenia pokoleń kompetentnych, współczujących dostawców usług zdrowotnych, aby służyć ludziom w Południowej Karolinie i poza nią. MUSC Health jest właścicielem i operatorem ośmiu szpitali zlokalizowanych w Charleston, Chester, Florence, Lancaster i Marion, w tym około 1600 łóżek, ponad 100 placówek medycznych, MUSC College of Medicine, plan praktyk lekarskich i prawie 275 placówek telezdrowotnych. W 2020 roku, po raz szósty z rzędu, U.S. News & World Report uznał MUSC Health za szpital nr 1 w Karolinie Południowej. Aby dowiedzieć się więcej o usługach klinicznych dla pacjentów, odwiedź muschealth.org.

MUSC i jego oddziały mają wspólny roczny budżet w wysokości 3,2 miliarda dolarów. Ponad 17 000 członków zespołu MUSC to światowej klasy wykładowcy, lekarze, specjaliści i naukowcy, którzy zapewniają przełomową edukację, badania, technologie i opiekę nad pacjentami.

O Instytucie SCTR

Instytut Badań Klinicznych Południowej Karoliny (SCTR) jest katalizatorem zmian w kulturze badań biomedycznych, ułatwia dzielenie się zasobami i wiedzą oraz usprawnia procesy związane z badaniami, aby doprowadzić do zmian na dużą skalę w badaniach klinicznych i translacyjnych w Południowej Karolinie. Naszą wizją jest poprawa wyników zdrowotnych i jakości życia dla populacji poprzez odkrycia przełożone na praktykę opartą na dowodach naukowych. Aby dowiedzieć się więcej, odwiedź https://research.musc.edu/resources/sctr

.