A inteligência artificial pode melhorar a prevenção do suicídio no futuro

A perda de qualquer vida pode ser devastadora, mas a perda de uma vida por suicídio é especialmente trágica.

Cerca de nove australianos tiram a própria vida todos os dias, e é a principal causa de morte de australianos com idades entre 15 e 44 anos. As tentativas de suicídio são mais comuns, com algumas estimativas afirmando que ocorrem até 30 vezes mais que as mortes.

“O suicídio tem grandes efeitos quando acontece. Ele afeta muitas pessoas e tem consequências de longo alcance para a família, amigos e comunidades”, diz Karen Kusuma, Ph.D da UNSW Sydney. doutoranda em psiquiatria no Black Dog Institute, que investiga a prevenção do suicídio em adolescentes.

A Sra. Kusuma e uma equipe de pesquisadores do Black Dog Institute e do Center for Big Data Research in Health investigaram recentemente a base de evidências de modelos de aprendizado de máquina e sua capacidade de prever futuros comportamentos e pensamentos suicidas. Eles avaliaram o desempenho de 54 algoritmos de aprendizado de máquina desenvolvidos anteriormente por pesquisadores para prever resultados relacionados ao suicídio de ideação, tentativa e morte.

A metanálise, publicada no Jornal de Pesquisa Psiquiátricadescobriram que os modelos de aprendizado de máquina superaram os modelos tradicionais de previsão de risco na previsão de resultados relacionados ao suicídio, que tradicionalmente têm um desempenho ruim.

“No geral, as descobertas mostram que há uma base de evidências preliminar, mas convincente, de que o aprendizado de máquina pode ser usado para prever futuros resultados relacionados ao suicídio com um desempenho muito bom”, diz Kusuma.

Modelos tradicionais de avaliação de risco de suicídio

Identificar indivíduos em risco de suicídio é essencial para prevenir e gerenciar comportamentos suicidas. No entanto, a previsão de risco é difícil.

Nos departamentos de emergência (EDs), ferramentas de avaliação de risco, como questionários e escalas de classificação, são comumente usadas por médicos para identificar pacientes com risco elevado de suicídio. No entanto, as evidências sugerem que eles são ineficazes em prever com precisão risco de suicídio na prática.

“Embora existam alguns fatores comuns associados às tentativas de suicídio, os riscos para uma pessoa podem ser muito diferentes em outra”, diz Kusuma. “Mas o suicídio é complexo, com muitos fatores dinâmicos que dificultam a avaliação de um perfil de risco usando esse processo de avaliação”.

Uma análise post-mortem de pessoas que morreram por suicídio em Queensland descobriu que daqueles que receberam uma avaliação formal de risco de suicídio, 75% foram classificados como de baixo risco e nenhum foi classificado como de alto risco. Pesquisas anteriores examinando os últimos 50 anos de modelos quantitativos de previsão de risco de suicídio também descobriram que eles eram apenas um pouco melhores do que o acaso na previsão de risco futuro de suicídio.

“O suicídio é uma das principais causas de anos de vida perdidos em muitas partes do mundo, incluindo a Austrália. Mas a forma como a avaliação do risco de suicídio é feita não se desenvolveu recentemente, e não vimos diminuições substanciais nas mortes por suicídio. Em alguns anos , vimos aumentos”, diz Kusuma.

Apesar da escassez de evidências em favor das avaliações tradicionais de risco de suicídio, sua administração continua sendo uma prática padrão em ambientes de saúde para determinar o nível de atendimento e apoio de um paciente. Aqueles identificados como de alto risco geralmente recebem o mais alto nível de atendimento, enquanto aqueles identificados como de baixo risco recebem alta.

“Usando essa abordagem, infelizmente, as intervenções de alto nível não estão sendo dadas às pessoas que realmente precisam de ajuda. Portanto, devemos procurar reformar o processo e explorar maneiras de melhorar a prevenção do suicídio”, diz Kusuma.

Triagem de suicídio por aprendizado de máquina

A Sra. Kusuma diz que há uma necessidade de mais inovação na suicidologia e uma reavaliação dos modelos padrão de previsão de risco de suicídio. Esforços para melhorar a previsão de risco levaram a sua pesquisa usando inteligência artificial (AI) para desenvolver algoritmos de risco de suicídio.

“Ter uma IA que possa receber muito mais dados do que um clínico seria capaz de reconhecer melhor quais padrões estão associados ao risco de suicídio”, diz Kusuma.

No estudo de meta-análise, os modelos de aprendizado de máquina superaram os benchmarks estabelecidos anteriormente pelos modelos tradicionais de previsão de risco de suicídio clínicos, teóricos e estatísticos. Eles previram corretamente 66% das pessoas que experimentariam um desfecho de suicídio e previram corretamente 87% das pessoas que não experimentariam um desfecho de suicídio.

“Os modelos de aprendizado de máquina podem prever bem as mortes por suicídio em relação aos modelos tradicionais de previsão e podem se tornar uma alternativa eficiente e eficaz aos métodos convencionais. avaliações de risco“, diz a Sra. Kusuma.

As suposições estritas dos modelos estatísticos tradicionais não vinculam os modelos de aprendizado de máquina. Em vez disso, eles podem ser aplicados de forma flexível a grandes conjuntos de dados para modelar relações complexas entre muitos fatores de risco e resultados suicidas. Eles também podem incorporar fontes de dados responsivas, incluindo mídias sociais, para identificar picos de risco de suicídio e sinalizar os horários em que as intervenções são mais necessárias.

“Com o tempo, os modelos de aprendizado de máquina podem ser configurados para receber dados mais complexos e maiores para identificar melhor os padrões associados ao risco de suicídio”, diz Kusuma.

O uso de algoritmos de aprendizado de máquina para prever resultados relacionados ao suicídio ainda é uma área de pesquisa emergente, com 80% dos estudos identificados publicados nos últimos cinco anos. A Sra. Kusuma diz que pesquisas futuras também ajudarão a lidar com o risco de viés de agregação encontrado em modelos algorítmicos até o momento.

“Mais pesquisas são necessárias para melhorar e validar esses algoritmos, que ajudarão a progredir na aplicação de aprendizado de máquina em suicidologia”, diz Kusuma. “Embora ainda estejamos longe da implementação em um ambiente clínico, a pesquisa sugere que este é um caminho promissor para melhorar a precisão da triagem de risco de suicídio no futuro”.