Hastaların Kayıtlarından İntihar Tahmin Edilebilir mi?
Yeni bir çalışma, tahmini bir bilgisayar modelinin, intihara teşebbüs etme riski taşıyan hastaları elektronik sağlık kayıtlarındaki örüntülerden belirleyebileceğini gösteriyor - bu, ortalama iki yıl öncesidir.
Boston Çocuk Hastanesi ve Massachusetts Genel Hastanesi'nden araştırmacılar, bu tür modellerin potansiyel olarak sağlık uzmanlarını bir ziyaretten önce uyararak hastaların uygun müdahaleleri almalarına yardımcı olabileceğini söylüyor.
Bulgular şu adreste yayınlandı: JAMA Ağı Açık.
“Bilgisayarlar, akıl sağlığı sorunlarını belirlemede bakım ekiplerinin yerini alamaz. Ancak, iyi tasarlanmışsa, bilgisayarların sağlık sistemi tarafından fark edilmeden şu anda çatlaklardan düşen yüksek riskli hastaları belirleyebileceğini düşünüyoruz, ”dedi Predictive Medicine Group'un bir parçası olan Ph.D. Boston Çocuk Hastanesi'nde Hesaplamalı Sağlık Bilişimi Programı (CHIP) ve makalenin kıdemli yazarlarından biri.
"Doktora, 'tüm hastalarınızdan bu üçü yüksek risk kategorisine giriyor' diyebilecek bir sistem öngörüyoruz. Onlarla konuşmak için fazladan birkaç dakikanızı ayırın. "
Araştırma için, araştırmacılar, beş farklı ABD sağlık sistemi üzerinden yaşları 10-90 arasında 3,7 milyondan fazla hastanın elektronik sağlık kaydı verilerini analiz etti: Boston'daki Partners HealthCare System; Boston Tıp Merkezi; Boston Çocuk Hastanesi; Kuzey Carolina'daki Wake Forest Tıp Merkezi; ve Houston'daki Teksas Üniversitesi Sağlık Bilimleri Merkezi.
Tanısal kodlar, laboratuvar test sonuçları, tıbbi prosedür kodları ve ilaçlar dahil olmak üzere farklı merkezlerden 6 ila 17 yıllık veri elde edildi.
Kayıtlar toplam 39.162 intihar girişimi olduğunu ortaya koydu. Modeller bunların yüzde 38'ini (bu beş merkezde yüzde 33 ila 39 arasında değişiyordu) yüzde 90 özgüllükle tespit edebildi. Vakalar, gerçek intihar girişiminden ortalama 2,1 yıl önce (aralık, 1,3 ila 3,5 yıl) alındı.
Şaşırtıcı olmayan bir şekilde en güçlü öngörücüler arasında uyuşturucu zehirlenmeleri, uyuşturucu bağımlılığı, akut alkol zehirlenmesi ve çeşitli akıl sağlığı koşulları yer alıyordu. Ancak rabdomiyoliz, selülit veya el apsesi ve HIV ilaçları gibi normalde akla gelmeyen diğer öngörücülerdi.
Reis, "Tek bir belirleyici yoktu" diyor. "Daha çok bir gestalt ya da kanıt dengesi, zamanla oluşan genel bir işaret."
Ekip, modeli bir makine öğrenimi yaklaşımı kullanarak iki adımda geliştirdi. İlk olarak, hasta verilerinin yarısını bir bilgisayar modeline gösterdiler ve onu, belgelenmiş intihar girişimleriyle ilişkili kalıpları bulmaya yönlendirdiler.
Daha sonra, bu "eğitim" uygulamasından öğrendikleri dersleri aldılar ve verilerinin diğer yarısını kullanarak onları doğruladılar; modelden, yalnızca bu modellere dayanarak hangi hastaların sonunda intihara teşebbüs edeceğini tahmin etmesini istemek.
Genel olarak, model beş tıp merkezinin hepsinde benzer şekilde performans gösterdi, ancak modeli ayrı merkezlerde yeniden eğitmek daha iyi sonuçlar getirdi.
Makalenin ilk yazarı olan CHIP'den M.D. Yuval Barak-Corren, “Aynı kodları kullanarak tüm tıp merkezlerine uyacak bir model oluşturabilirdik” dedi. "Ancak, otomatik olarak biraz farklı bir model oluşturan ve her sağlık hizmeti sitesinin özelliklerine uyacak şekilde uyarlanmış bir yaklaşım seçtik."
İntihar, şu anda Amerikan gençliği arasında en yaygın ikinci ölüm nedenidir. Ölümcül intiharlar 2000 ile 2016 arasında yüzde 30 arttı ve sadece 2016'da 1,3 milyon ölümcül olmayan intihar teşebbüsü görüldü.
Sağlık merkezleri, farklı hastane kodlama uygulamalarına ve yerel demografik özelliklere ve sağlık modellerine dayalı benzersiz tahmin faktörlerine sahip olabileceğinden, bulgular modeli her bir bölgeye uyarlamanın değerini doğrulamaktadır.
Kaynak: Boston Çocuk Hastanesi
