Enligt American Foundation for Suicide Prevention är självmord den tionde vanligaste dödsorsaken i USA, med över 1,4 miljoner självmordsförsök registrerade under 2018. Även om effektiva behandlingar finns tillgängliga för dem som befinner sig i riskzonen har kliniker inget tillförlitligt sätt att förutsäga vilka patienter som sannolikt kommer att göra ett självmordsförsök.

Forskare vid Medical University of South Carolina och University of South Florida rapporterar i JMIR Medical Informatics att de har tagit viktiga steg mot att ta itu med problemet genom att skapa en algoritm med artificiell intelligens som automatiskt kan identifiera patienter med hög risk för avsiktligt självskadebeteende, baserat på informationen i de kliniska anteckningarna i den elektroniska patientjournalen.

Studien leddes av Jihad Obeid, MD, medchef för MUSC Biomedical Informatics Center, och Brian Bunnell, Ph.D., tidigare vid MUSC och för närvarande biträdande professor vid institutionen för psykiatri och beteendevetenskaplig neurovetenskap vid University of South Florida.

Teamet använde komplexa artificiella neurala nätverk, en form av artificiell intelligens som även kallas djup inlärning, för att analysera ostrukturerade, textuella data i den elektroniska patientjournalen. Metoder för djupinlärning använder successivt lager av artificiella nätverk för att extrahera högre information från råa indata. Teamet visade att dessa modeller, när de väl tränats, kunde identifiera patienter som löper risk att avsiktligt skada sig själva.

”Den här typen av arbete är viktigt eftersom det utnyttjar den senaste tekniken för att ta itu med ett viktigt problem som självmord och identifierar patienter som löper risk, så att de kan hänvisas till lämplig behandling”, säger Obeid.

Här långt har forskarna i första hand förlitat sig på strukturerade data i den elektroniska patientjournalen för att identifiera och förutsäga vilka patienter som löper risk. Med strukturerade data avses tabellerad information som har matats in i avsedda fält i den elektroniska patientjournalen som en del av den kliniska vården. När läkare till exempel diagnostiserar patienter och tilldelar ICD-koder (International Classification of Disease) skapar de strukturerade data. Denna typ av tabellerade, strukturerade data är lätta att analysera för datorprogram.

80-90 % av den relevanta informationen i den elektroniska patientjournalen finns dock i textformat. Med andra ord utgör de kliniska anteckningarna, lägesrapporterna, anteckningarna om vårdplanen och andra berättande texter i den elektroniska patientjournalen en enorm outnyttjad resurs för forskning. Obeids studie är unik eftersom den använder djupa neurala nätverk för att ”läsa” kliniska anteckningar i den elektroniska patientjournalen och identifiera och förutsäga patienter med risk för självskadebeteende.

Efter etisk granskning och godkännande av den föreslagna forskningen av Institutional Review Board vid MUSC började Obeid med att identifiera patientjournaler med ICD-koder som indikerar avsiktligt självskadebeteende i MUSC:s datalager för forskning. Lagret, som skapades med stöd från South Carolina Clinical & Translational Research Institute, ger MUSC-forskare tillgång till patienters elektroniska patientjournaldata, förutsatt att de har fått nödvändiga tillstånd.

För att simulera ett verkligt scenario delade Obeid och hans team upp de kliniska journalerna i två tidskategorier: 2012 till 2017 års journaler som användes för att träna modellerna och 2018-2019 års journaler som användes för att testa de tränade modellerna. Först tittade de på de kliniska anteckningar som gjordes under det sjukhusbesök där ICD-koden tilldelades. Genom att använda detta som träningsdataset ”lärde” sig modellerna vilka språkliga mönster i de kliniska anteckningarna i patienternas elektroniska patientjournaler som var förknippade med tilldelningen av en ICD-kod för avsiktligt självskadebeteende. När modellerna väl var tränade kunde de identifiera dessa patienter enbart utifrån sin analys av texten i de kliniska anteckningarna, med en noggrannhet på 98,5 %. Experter granskade manuellt en delmängd journaler för att bekräfta modellens noggrannhet.

Nästan testade teamet om den mest noggranna av modellerna kunde använda kliniska anteckningar i den elektroniska patientjournalen för att förutsäga framtida självskadebeteende. För detta ändamål identifierade Obeids team journalerna för patienter som hade presenterat sig med avsiktligt självskadebeteende och tränade modellen med hjälp av deras kliniska anteckningar mellan sex månader och en månad före sjukhusbesöket med avsiktligt självskadebeteende. De testade sedan om de tränade modellerna kunde förutsäga korrekt om dessa patienter senare skulle komma att uppvisa avsiktligt självskadebeteende.

Förutsäga framtida självskadebeteende baserat enbart på kliniska anteckningar visade sig vara en större utmaning än att identifiera aktuella riskpatienter på grund av det extra ”brus” som införs när stora mängder patienthistoria inkluderas i modellen. Historiska kliniska anteckningar tenderar att vara varierande och inte alltid relevanta. Om en patient till exempel hade setts för depression eller andra psykiska problem sex månader före sjukhusbesöket på grund av avsiktligt självskadebeteende, var det troligt att de kliniska anteckningarna innehöll relevant information. Om patienten däremot kom in för ett tillstånd som inte var relaterat till psykisk hälsa var det mindre troligt att anteckningarna innehöll relevant information.

Och även om inkluderandet av irrelevant information introducerar mycket brus i dataanalysen måste all denna information inkluderas över patienterna i modellerna för att förutsäga utfallet. Som ett resultat av detta var modellen mindre exakt när det gällde att förutsäga vilka patienter som senare skulle presentera avsiktligt självskadebeteende än att helt enkelt klassificera aktuella patienter med avseende på självmordsrisk. Trots detta var den här modellens prediktiva noggrannhet mycket konkurrenskraftig jämfört med den som tidigare rapporterats för modeller som förlitat sig på strukturerade data, och nådde en noggrannhet på nästan 80 % med relativt hög känslighet och precision.

Obeids team har visat att det är möjligt att använda modeller för djupinlärning för att identifiera patienter med risk för avsiktligt självskadebeteende enbart utifrån kliniska anteckningar. Studien visade också att modellerna kan användas för att förutsäga, med ganska god trovärdighet, vilka patienter som i framtiden kommer att presentera sig för avsiktligt självskadebeteende baserat på kliniska anteckningar i deras elektroniska patientjournal.

Dessa tidiga resultat är lovande och kan få stora effekter på klinisk nivå. Om modeller för djupinlärning kan användas för att förutsäga vilka patienter som löper hög risk att begå självmord baserat på kliniska anteckningar, kan kliniker hänvisa högriskpatienter tidigt till lämplig behandling. Att använda dessa modeller för att klassificera patienter som riskpatienter för självskadebeteende skulle också kunna underlätta inskrivning i kliniska studier och prövningar av potentiella nya behandlingar som är relevanta för självmord.

I framtida studier avser Obeid att utvärdera förändringar i det prediktiva tidsfönstret för sina modeller, t.ex. genom att titta på anteckningar ett år innan en patient presenteras för avsiktligt självskadebeteende i stället för sex månader. Teamet har också för avsikt att undersöka andra utfall, t.ex. självmord eller självmordstankar. Även om modellerna fungerar bra på MUSC måste Obeid nu visa att de kan generaliseras till andra institutioner.

”Kan modellerna tränas på en plats och överföras till en annan plats och fortfarande fungera?” frågade Obeid. ”Om svaret är ja sparar detta viktiga resurser eftersom andra institutioner inte behöver utföra dyra och tidskrävande manuella journalgranskningar för att bekräfta att modellerna gör rätt under träningsperioderna.”

Om MUSC

Medicinska universitetet i South Carolina (MUSC), som grundades 1824 i Charleston, är den äldsta medicinska fakulteten i Södern och delstatens enda integrerade akademiska hälsovetenskapliga centrum med en unik uppgift att tjäna delstaten genom utbildning, forskning och patientvård. Varje år utbildar MUSC mer än 3 000 studenter och nästan 800 invånare i sex högskolor: Tandvård, forskarutbildning, hälsovård, medicin, omvårdnad och farmaci. MUSC är ledande i delstaten när det gäller att erhålla medel för biomedicinsk forskning, och under budgetåret 2019 satte MUSC en ny toppnotering genom att få in mer än 284 miljoner dollar. För information om akademiska program, besök musc.edu.

Som det kliniska hälsosystem som tillhör Medical University of South Carolina är MUSC Health dedikerat till att leverera patientvård av högsta möjliga kvalitet och samtidigt utbilda generationer av kompetenta, medkännande vårdgivare för att betjäna befolkningen i South Carolina och utanför. MUSC Health, som består av cirka 1 600 sängar, mer än 100 uppsökande verksamhetsplatser, MUSC College of Medicine, läkarnas praktikplan och nästan 275 telemedicinska platser, äger och driver åtta sjukhus i Charleston, Chester, Florence, Lancaster och Marion counties. År 2020 utsåg U.S. News & World Report för sjätte året i rad MUSC Health till det främsta sjukhuset i South Carolina. Om du vill veta mer om kliniska patienttjänster kan du besöka muschealth.org.

MUSC och dess dotterbolag har kollektiva årliga budgetar på 3,2 miljarder dollar. De mer än 17 000 MUSC-gruppmedlemmarna omfattar lärare, läkare, specialister och forskare i världsklass som levererar banbrytande utbildning, forskning, teknik och patientvård.

Om SCTR Institute

The South Carolina Clinical & Translational Research (SCTR) Institute är katalysatorn för att förändra kulturen inom biomedicinsk forskning, underlätta delning av resurser och expertis och effektivisera forskningsrelaterade processer för att åstadkomma en storskalig förändring av de kliniska och translationella forskningsinsatserna i South Carolina. Vår vision är att förbättra hälsoresultaten och livskvaliteten för befolkningen genom upptäckter som omsätts i evidensbaserad praxis. Om du vill veta mer kan du besöka https://research.musc.edu/resources/sctr

.