Ειδικότερα, ερευνητές με επικεφαλής το Πανεπιστήμιο της Νέας Νότιας Ουαλίας του Σίδνεϊ χρησιμοποίησαν μηχανική μάθηση (ML) για να εντοπίσουν με ακρίβεια όπως λένε τους κορυφαίους παράγοντες που θέτουν τους εφήβους σε αυξημένο κίνδυνο αυτοκτονίας και αυτοτραυματισμού.

«Μερικές φορές χρειάζεται να αφομοιώσουμε και να επεξεργαστούμε πολλές πληροφορίες που θα ήταν πέρα ​​από τις ικανότητες του κλινικού γιατρού», δήλωσε ο Ping-I Daniel Lin, συγγραφέας της μελέτης. «Αυτός είναι ο λόγος που χρησιμοποιούμε αλγόριθμους μηχανικής μάθησης».

Τα δεδομένα από 2.809 εφήβους εξήχθησαν από τη Longitudinal Study of Australian Children (LSAC), μια εθνικά αντιπροσωπευτική μελέτη που ξεκίνησε το 2004. Οι έφηβοι χωρίστηκαν σε δύο ηλικιακές ομάδες: 14 έως 15 ετών και 16 έως 17 -χρονών. Τα δεδομένα προήλθαν από ερωτηματολόγια που συμπλήρωσαν τα παιδιά, οι φροντιστές τους και οι καθηγητές του σχολείου. Μεταξύ των συμμετεχόντων, το 10,5% είχε αναφέρει πράξη αυτοτραυματισμού και το 5,2% ανέφερε απόπειρα αυτοκτονίας τουλάχιστον μία φορά τους προηγούμενους 12 μήνες.

Οι ερευνητές εντόπισαν περισσότερους από 4.000 πιθανούς παράγοντες κινδύνου από τα δεδομένα σε τομείς όπως η ψυχική υγεία, η σωματική υγεία, οι σχέσεις με τους άλλους και το περιβάλλον του σχολείου και του σπιτιού. Χρησιμοποίησαν έναν αλγόριθμο τυχαίου δάσους (RF) για να προσδιορίσουν ποιοι παράγοντες κινδύνου που παρατηρήθηκαν στην ηλικία 14-15 ήταν πιο καθοριστικοί για απόπειρες αυτοκτονίας και αυτοτραυματισμού στα 16-17.

Το RF είναι ένας εποπτευόμενος αλγόριθμος μηχανικής μάθησης που αποτελείται από δέντρα αποφάσεων. Συνδυάζει την έξοδο πολλαπλών δέντρων αποφάσεων για να φτάσει σε ένα μόνο αποτέλεσμα. Η θεμελιώδης ιδέα πίσω από το RF είναι ότι συνδυάζοντας πολλά δέντρα απόφασης σε ένα μόνο μοντέλο, οι προβλέψεις θα είναι πιο κοντά στο τι θα συμβεί κατά μέσο όρο.

Για το μοντέλο αυτοτραυματισμού, οι κορυφαίες μεταβλητές που προσδιορίστηκαν περιελάμβαναν το Ερωτηματολόγιο Σύντομης Διάθεσης και Συναισθημάτων (SMFQ), το οποίο αξιολογεί τα συμπτώματα κατάθλιψης, τις βαθμολογίες του ερωτηματολογίου δυνατοτήτων και δυσκολιών (SDQ), το οποίο αξιολογεί τη συμπεριφορά και τα συναισθήματα, τα αγχωτικά γεγονότα της ζωής, τις κλίμακες εφηβείας, σχέση παιδιού-γονέα, αυτονομία, αίσθηση του ανήκειν στο σχολείο και αν το παιδί είχε φίλο/φίλη. Για το μοντέλο απόπειρας αυτοκτονίας, οι κορυφαίοι προγνωστικοί παράγοντες ήταν η κλίμακα SMFQ, SDQ, Spence Anxiety Scale, η οποία αξιολογεί τη σοβαρότητα των συμπτωμάτων άγχους και ο δείκτης CHU9D, ένα μέτρο της ποιότητας ζωής που σχετίζεται με την υγεία.

Αυτό που εξέπληξε τους ερευνητές ήταν ότι οι προηγούμενες απόπειρες αυτοκτονίας ή αυτοτραυματισμού δεν ήταν παράγοντας υψηλού κινδύνου και ότι το περιβάλλον έπαιζε τόσο σημαντικό ρόλο.

Η έρευνα διαπίστωσε ότι το σπίτι και το σχολικό περιβάλλον ήταν σημαντικοί προγνωστικοί παράγοντες κινδύνου

«Ήταν έκπληξη για εμάς να δούμε ότι οι προηγούμενες προσπάθειες δεν ήταν μεταξύ των κορυφαίων παραγόντων κινδύνου», είπε ο Lin. «Διαπιστώσαμε ότι το περιβάλλον του νέου παίζει μεγαλύτερο ρόλο από ό,τι πιστεύαμε. Αυτό είναι καλό από την άποψη της πρόληψης, γιατί τώρα γνωρίζουμε ότι μπορούμε να κάνουμε περισσότερα για αυτά τα άτομα».

Οι ερευνητές σημείωσαν επίσης ότι υπήρχαν μοναδικοί παράγοντες που σχετίζονται είτε με την αυτοκτονία είτε τον αυτοτραυματισμό.

«Ένας μοναδικός παράγοντας πρόβλεψης της αυτοκτονίας ήταν η έλλειψη αυτο-αποτελεσματικότητας, όταν κάποιος αισθάνεται έλλειψη ελέγχου του περιβάλλοντος και του μέλλοντός του», είπε ο Λιν. «Και ένας μοναδικός προγνωστικός παράγοντας αυτοτραυματισμού ήταν η έλλειψη συναισθηματικής ρύθμισης».

Οι ερευνητές λένε ότι τα ευρήματά τους είναι σημαντικά επειδή τείνουν να καταρρίψουν το στερεότυπο ότι οι άνθρωποι αυτοκτονούν ή αυτοτραυματίζονται αποκλειστικά λόγω κακής ψυχικής υγείας. Λένε ότι το μοντέλο τους θα μπορούσε να χρησιμοποιηθεί για την αξιολόγηση του εξατομικευμένου κινδύνου στους εφήβους.

«Με βάση τις πληροφορίες των ασθενών, ο αλγόριθμος μηχανικής μάθησης ML θα μπορούσε να υπολογίσει μια βαθμολογία για κάθε άτομο και αυτή θα μπορούσε να ενσωματωθεί στο σύστημα ηλεκτρονικών ιατρικών αρχείων», είπε ο Lin.

«Ο κλινικός ιατρός θα μπορούσε να ανακτήσει γρήγορα αυτές τις πληροφορίες για να επιβεβαιώσει ή να τροποποιήσει την αξιολόγησή του».

Απαιτείται περισσότερη έρευνα προτού αυτά τα μοντέλα μπορούν να κυκλοφορήσουν σε κλινικό περιβάλλον. Πρέπει να εφαρμοστούν σε πραγματικές κλινικές βάσεις δεδομένων για να επικυρωθεί η αποτελεσματικότητά τους στην πρόβλεψη απόπειρας αυτοκτονίας και αυτοτραυματισμού.

«Ως ερευνητές, θα προσπαθήσουμε να συνεχίσουμε να παράγουμε περισσότερες πληροφορίες και περισσότερα στοιχεία», είπε ο Lin. «Αυτός είναι ο τρόπος για να πειστούν τα ενδιαφερόμενα μέρη – κλινικοί γιατροί, οικογένειες, ασθενείς και κοινότητα – ότι αυτές οι προσεγγίσεις που βασίζονται σε δεδομένα είναι πολύτιμες».

Η μελέτη δημοσιεύτηκε στο περιοδικό Psychiatry Research.

(photo: freepik)