Potrivit Fundației Americane pentru Prevenirea Suicidului, sinuciderea este a zecea cauză principală de deces în SUA, cu peste 1,4 milioane de tentative de suicid înregistrate în 2018. Deși sunt disponibile tratamente eficiente pentru cei aflați la risc, medicii nu au o modalitate fiabilă de a prezice ce pacienți sunt susceptibili de a face o tentativă de suicid.

Cercetătorii de la Universitatea de Medicină din Carolina de Sud și de la Universitatea din Florida de Sud raportează în JMIR Medical Informatics că au făcut pași importanți în rezolvarea acestei probleme prin crearea unui algoritm de inteligență artificială care poate identifica automat pacienții cu risc ridicat de autoagresiune intenționată, pe baza informațiilor din notele clinice din dosarul electronic de sănătate.

Studiul a fost condus de Jihad Obeid, M.D., co-director al MUSC Biomedical Informatics Center, și Brian Bunnell, Ph.D., fost la MUSC și în prezent profesor asistent în cadrul Departamentului de Psihiatrie și Neuroștiințe Comportamentale de la University of South Florida.

Echipa a folosit rețele neuronale artificiale complexe, o formă de inteligență artificială cunoscută și sub numele de învățare profundă, pentru a analiza datele nestructurate și textuale din dosarul electronic de sănătate. Metodele de învățare profundă utilizează progresiv straturi de rețele artificiale pentru a extrage informații superioare din datele brute de intrare. Echipa a arătat că aceste modele, odată antrenate, ar putea identifica pacienții cu risc de autoagresiune intenționată.

„Acest tip de lucrare este important deoarece valorifică cele mai recente tehnologii pentru a aborda o problemă importantă precum sinuciderea și identifică pacienții cu risc, astfel încât aceștia să poată fi direcționați către un management adecvat”, a declarat Obeid.

Până în prezent, cercetătorii s-au bazat în principal pe datele structurate din dosarul electronic de sănătate pentru identificarea și prezicerea pacienților cu risc. Datele structurate se referă la informațiile tabulate care au fost introduse în câmpuri desemnate în dosarul electronic de sănătate ca parte a îngrijirii clinice. De exemplu, atunci când medicii pun un diagnostic pacienților și atribuie coduri de clasificare internațională a bolilor (ICD), aceștia creează date structurate. Acest tip de date tabulate, structurate, este ușor de analizat de către programele de calculator.

Cu toate acestea, 80% până la 90% din informațiile pertinente din dosarul electronic de sănătate sunt prinse în format text. Cu alte cuvinte, notele clinice, rapoartele de evoluție, notele privind planul de îngrijire și alte texte narative din dosarul electronic de sănătate reprezintă o resursă enormă neexploatată pentru cercetare. Studiul lui Obeid este unic, deoarece utilizează rețele neuronale profunde pentru a „citi” notele clinice din dosarul electronic de sănătate și pentru a identifica și prezice pacienții cu risc de automutilare.

După revizuirea eticii de reglementare și aprobarea cercetării propuse de către Comitetul de evaluare instituțională de la MUSC, Obeid a început prin identificarea înregistrărilor pacienților asociate cu coduri ICD indicative de automutilare intenționată în depozitul de date de cercetare al MUSC. Acest depozit, care a fost creat cu sprijinul South Carolina Clinical & Translational Research Institute, oferă cercetătorilor de la MUSC acces la datele din dosarele electronice de sănătate ale pacienților, cu condiția ca aceștia să fi obținut permisiunile necesare.

Pentru a simula un scenariu din lumea reală, Obeid și echipa sa au împărțit înregistrările clinice în două categorii de timp: înregistrări din 2012 până în 2017 care au fost folosite pentru antrenarea modelelor și înregistrări din 2018-2019 care au fost folosite pentru testarea modelelor antrenate. În primul rând, au analizat notele clinice luate în timpul vizitei la spital în care a fost atribuit codul ICD. Folosind acest set de date ca set de date de instruire, modelele au „învățat” ce tipare de limbaj din notele clinice din fișele medicale electronice ale pacienților au fost asociate cu atribuirea unui cod ICD de automutilare intenționată. Odată ce modelele au fost antrenate, acestea au putut identifica acei pacienți doar pe baza analizei textului din notele clinice, cu o precizie de 98,5%. Experții au analizat manual un subset de înregistrări pentru a confirma acuratețea modelului.

În continuare, echipa a testat dacă cel mai precis dintre modele ar putea folosi notele clinice din fișa medicală electronică pentru a prezice viitoarele automutilații. În acest scop, echipa lui Obeid a identificat înregistrările pacienților care s-au prezentat cu automutilare intenționată și a antrenat modelul folosind notele clinice ale acestora între șase luni și o lună înainte de vizita la spital pentru automutilare intenționată. Apoi au testat dacă modelele antrenate pot prezice corect dacă acești pacienți vor prezenta ulterior autoagresiuni intenționate.

Predicerea viitoarelor automutilații pe baza exclusiv a notelor clinice s-a dovedit a fi mai dificilă decât identificarea pacienților actuali cu risc din cauza „zgomotului” suplimentar care este introdus atunci când în model sunt incluse cantități mari de istoric al pacientului. Notele clinice istorice tind să fie variate și nu întotdeauna relevante. De exemplu, dacă un pacient a fost consultat pentru depresie sau alte probleme de sănătate mintală cu șase luni înainte de vizita sa la spital pentru automutilare intenționată, atunci notele clinice au fost susceptibile de a include informații relevante. Cu toate acestea, dacă pacientul a venit pentru o afecțiune care nu are legătură cu sănătatea mintală, atunci este mai puțin probabil ca notele să includă informații relevante.

În timp ce includerea informațiilor irelevante introduce mult zgomot în analiza datelor, toate aceste informații trebuie să fie incluse la toți pacienții în modelele pentru a prezice rezultatele. Ca urmare, modelul a fost mai puțin precis în a prezice ce pacienți se vor prezenta ulterior pentru autoagresiune intenționată decât simpla clasificare a pacienților actuali pentru riscul de suicid. Cu toate acestea, acuratețea predictivă a acestui model a fost foarte competitivă față de cea raportată anterior pentru modelele care se bazau pe date structurate, atingând o acuratețe de aproape 80% cu o sensibilitate și o precizie relativ ridicate.

Echipa lui Obeid a demonstrat fezabilitatea utilizării modelelor de învățare profundă pentru a identifica pacienții cu risc de autoagresiune intenționată doar pe baza notelor clinice. Studiul a arătat, de asemenea, că modelele pot fi utilizate pentru a prezice, cu o fidelitate destul de bună, ce pacienți se vor prezenta în viitor pentru automutilare intenționată pe baza notelor clinice din dosarul electronic de sănătate.

Aceste rezultate timpurii sunt promițătoare și ar putea avea un impact mare la nivel clinic. Dacă modelele de învățare profundă pot fi utilizate pentru a prezice ce pacienți prezintă un risc ridicat de sinucidere pe baza notelor clinice, atunci medicii clinici pot direcționa din timp pacienții cu risc ridicat pentru un tratament adecvat. Utilizarea acestor modele pentru a clasifica pacienții ca fiind la risc de autoagresiune ar putea, de asemenea, să faciliteze înscrierea în studii clinice și teste ale unor potențiale noi tratamente relevante pentru sinucidere.

În studiile viitoare, Obeid își propune să evalueze schimbările în fereastra de timp de predicție pentru modelele sale, de exemplu, analizând înregistrările cu un an înainte de prezentarea unui pacient pentru autoagresiune intenționată în loc de șase luni. De asemenea, echipa intenționează să examineze și alte rezultate, cum ar fi sinuciderea sau ideația suicidară. Și, deși modelele funcționează bine la MUSC, Obeid trebuie să demonstreze acum că pot fi generalizate la alte instituții.

„Pot fi modelele antrenate într-o locație și transferate în altă locație și să funcționeze în continuare?”, a întrebat Obeid. „Dacă răspunsul este afirmativ, atunci acest lucru economisește resurse critice, deoarece alte instituții nu vor trebui să efectueze revizuiri manuale ale fișelor, costisitoare și consumatoare de timp, pentru a confirma faptul că modelele sunt corecte în timpul perioadelor de formare.”

Despre MUSC

Înființată în 1824 în Charleston, Universitatea de Medicină din Carolina de Sud (MUSC) este cea mai veche școală de medicină din Sud, precum și singurul centru academic integrat de științe medicale din stat, cu o sarcină unică de a servi statul prin educație, cercetare și îngrijirea pacienților. În fiecare an, MUSC educă și instruiește mai mult de 3.000 de studenți și aproape 800 de rezidenți în șase colegii: Medicină dentară, Studii postuniversitare, Profesii în domeniul sănătății, Medicină, Nursing și Farmacie. Lider al statului în obținerea de fonduri pentru cercetare biomedicală, în anul fiscal 2019, MUSC a stabilit un nou record, aducând peste 284 de milioane de dolari. Pentru informații despre programele academice, vizitați musc.edu.

În calitate de sistem clinic de sănătate al Universității Medicale din Carolina de Sud, MUSC Health se dedică furnizării de îngrijire a pacienților de cea mai înaltă calitate disponibilă, pregătind în același timp generații de furnizori de asistență medicală competenți și plini de compasiune pentru a servi oamenii din Carolina de Sud și nu numai. Cuprinzând aproximativ 1.600 de paturi, peste 100 de puncte de informare, Colegiul de Medicină MUSC, planul de practică al medicilor și aproape 275 de locații de telesănătate, MUSC Health deține și operează opt spitale situate în comitatele Charleston, Chester, Florence, Lancaster și Marion. În 2020, pentru al șaselea an consecutiv, U.S. News & World Report a numit MUSC Health spitalul nr. 1 din Carolina de Sud. Pentru a afla mai multe despre serviciile clinice pentru pacienți, vizitați muschealth.org.

MUSC și filialele sale au bugete anuale colective de 3,2 miliarde de dolari. Cei peste 17.000 de membri ai echipei MUSC includ cadre didactice, medici, furnizori de specialități și oameni de știință de talie mondială, care oferă educație, cercetare, tehnologie și îngrijire a pacienților de ultimă generație.

Despre Institutul SCTR

Institutul de Cercetare Clinică & Translațională din Carolina de Sud (SCTR) este catalizatorul pentru schimbarea culturii cercetării biomedicale, facilitând schimbul de resurse și expertiză și eficientizând procesele legate de cercetare pentru a aduce schimbări pe scară largă în eforturile de cercetare clinică și translațională din Carolina de Sud. Viziunea noastră este de a îmbunătăți rezultatele în materie de sănătate și calitatea vieții pentru populație prin descoperiri transpuse în practici bazate pe dovezi. Pentru a afla mai multe, vizitați https://research.musc.edu/resources/sctr

.