A mesterséges intelligencia javíthatja az öngyilkosságok megelőzését a jövőben

Naponta körülbelül kilenc ausztrál vet véget életének, és a 15-44 év közötti ausztrálok körében ez a vezető halálozási ok. Az öngyilkossági kísérletek gyakoribbak, egyes becslések szerint akár harmincszor gyakrabban fordulnak elő, mint a halálesetek.

„Az öngyilkosságnak nagy hatásai vannak, ha megtörténik. Sok embert érint, és messzemenő következményei vannak a családra, a barátokra és a közösségekre nézve”

– mondja Karen Kusuma, az UNSW Sydney pszichiátriai doktori képzésének jelöltje a Black Dog Institute-ban, aki az öngyilkosság megelőzését vizsgálja a serdülők körében.

Kusuma és a Black Dog Institute és a Center for Big Data Research in Health kutatócsoportja a közelmúltban vizsgálta a gépi tanulási modellek bizonyítékait és azok képességét a jövőbeli öngyilkos viselkedés és gondolatok előrejelzésére. A kutatók által korábban kifejlesztett 54 gépi tanulási algoritmus teljesítményét értékelték, amelyek az öngyilkossággal kapcsolatos kimeneteleket, azaz az öngyilkossági gondolatokat, kísérleteket és a halált jelezték előre, számol be róla a Medical Xpress.

A Journal of Psychiatric Research című folyóiratban közzétett metaanalízis megállapította, hogy a gépi tanulási modellek felülmúlták a hagyományos kockázat-előrejelző modelleket az öngyilkossággal kapcsolatos kimenetel előrejelzésében, amelyek hagyományosan rosszul teljesítettek.

„Összességében az eredmények azt mutatják, hogy van egy előzetes, de meggyőző bizonyítékalap arra, hogy a gépi tanulás nagyon jó teljesítménnyel használható a jövőbeli öngyilkossággal kapcsolatos kimenetel előrejelzésére”

– magyarázza Kusuma.

Hagyományos öngyilkossági kockázatértékelési modellek

Az öngyilkossági kockázatnak kitett személyek azonosítása alapvető fontosságú az öngyilkossági magatartás megelőzése és kezelése szempontjából. A kockázat előrejelzése azonban nehéz.

A sürgősségi osztályokon (ED) a klinikusok általában olyan kockázatértékelési eszközöket használnak az öngyilkossági kockázatnak kitett betegek azonosítására, mint a kérdőívek és a minősítési skálák. A bizonyítékok azonban arra utalnak, hogy ezek a gyakorlatban nem hatékonyak az öngyilkossági kockázat pontos előrejelzésében.

„Bár vannak olyan közös tényezők, amelyekről kimutatták, hogy összefüggésbe hozhatók az öngyilkossági kísérletekkel, az egyik személy esetében a kockázat egészen másképp nézhet ki. Az öngyilkosság azonban összetett dolog, számos dinamikus tényezővel, ami megnehezíti a kockázati profil felmérését ezzel az értékelési eljárással”

– mondja Kusuma.

A Queenslandben öngyilkossággal elhunyt emberek boncolása után végzett elemzés megállapította, hogy azok közül, akiknél hivatalos öngyilkossági kockázatértékelést végeztek, 75%-ot alacsony kockázatúnak, és egyet sem minősítettek magas kockázatúnak. Egy korábbi kutatás, amely az elmúlt 50 év kvantitatív öngyilkossági kockázat-előrejelzési modelljeit vizsgálta, szintén azt találta, hogy ezek a modellek a véletlennél csak alig jobbak a jövőbeli öngyilkossági kockázat előrejelzésében.

„Az öngyilkosság a világ számos részén, így Ausztráliában is az elvesztett életévek egyik vezető oka. Az öngyilkossági kockázatbecslés módja azonban az utóbbi időben nem fejlődött, és nem tapasztaltunk jelentős csökkenést az öngyilkossági halálesetek számában. Néhány évben növekedést tapasztaltunk”

– teszi hozzá Kusuma.

A hagyományos öngyilkossági kockázatfelmérés mellett szóló bizonyítékok hiánya ellenére a hagyományos öngyilkossági kockázatfelmérés továbbra is bevett gyakorlat az egészségügyi intézményekben, hogy meghatározzák a beteg ellátásának és támogatásának szintjét. A magas kockázatúként azonosított személyek általában a legmagasabb szintű ellátásban részesülnek, míg az alacsony kockázatúként azonosítottakat elbocsátják.

„Ezt a megközelítést alkalmazva sajnos a magas szintű beavatkozásokat nem azok kapják meg, akiknek valóban segítségre van szükségük. Ezért meg kell reformálnunk a folyamatot, és meg kell vizsgálnunk, hogyan javíthatjuk az öngyilkosság megelőzését”

– magyarázza Kusuma.

Kusuma szerint több innovációra van szükség az öngyilkossági kutatásban, és újra kell értékelni a standard öngyilkossági kockázat előrejelzési modelleket. A kockázati előrejelzés javítására irányuló erőfeszítések az ő kutatásaihoz vezettek, amelyekben mesterséges intelligenciát (AI) használ az öngyilkossági kockázatot jelző algoritmusok kifejlesztésére.

„Ha az AI sokkal több adatot tudna feldolgozni, mint egy klinikus, akkor jobban fel tudná ismerni, hogy mely minták kapcsolódnak az öngyilkossági kockázathoz”

– mondja Kusuma.

A metaanalízis-tanulmányban a gépi tanulási modellek felülmúlták a korábban a hagyományos klinikai, elméleti és statisztikai öngyilkossági kockázat előrejelző modellek által felállított referenciaértékeket. A modellek helyesen jósolták meg az öngyilkosságot megtapasztaló személyek 66%-át, és az öngyilkosságot nem megtapasztaló személyek 87%-át.

„A gépi tanulási modellek a hagyományos előrejelző modellekhez képest jól megjósolják az öngyilkossági halálesetet, és hatékony és eredményes alternatívája lehet a hagyományos kockázatértékeléseknek”

– teszi hozzá Kusuma.

A hagyományos statisztikai modellek szigorú feltételezései nem kötik a gépi tanulási modelleket. Ehelyett rugalmasan alkalmazhatók nagy adathalmazokra, hogy modellezzék a számos kockázati tényező és az öngyilkossági kimenetel közötti összetett összefüggéseket. A modellek képesek továbbá érzékeny adatforrásokat, többek között a közösségi médiát is beépíteni, hogy azonosítsák az öngyilkossági kockázat csúcspontjait, és jelezzék azokat az időszakokat, amikor a leginkább szükség van beavatkozásra.

„Idővel a gépi tanulási modelleket úgy lehet konfigurálni, hogy összetettebb és nagyobb méretű adatokat vegyenek fel, hogy jobban azonosítani tudják az öngyilkossági kockázattal kapcsolatos mintákat”

– jegyzi meg Kusuma.

A gépi tanulási algoritmusok használata az öngyilkossággal kapcsolatos kimenetel előrejelzésére még mindig feltörekvő kutatási terület, az azonosított tanulmányok 80%-a az elmúlt öt évben jelent meg. Kusuma szerint a jövőbeli kutatások segítenek majd az algoritmikus modellekben eddig tapasztalt aggregációs torzítás kockázatának kezelésében is.

„További kutatásokra van szükség ezen algoritmusok javításához és validálásához, ami aztán segíteni fogja a gépi tanulás szuicidológiai alkalmazását. Bár még messze vagyunk a klinikai környezetben történő alkalmazástól, a kutatás azt sugallja, hogy ez egy ígéretes út az öngyilkossági kockázat szűrési pontosságának javítására a jövőben.”

Nyitókép: Shutterstock