проверени факти доверлив извор
лекторирани
од Универзитетот во Калифорнија, Лос Анџелес
Една нова студија од истражувачите на UCLA Health открива дека типичните начини на кои здравствените системи ги складираат и следат податоците за децата кои примаат итна помош пропуштаат значителен дел од оние кои имаат самоповредливи мисли или однесувања. Истражувачите, исто така, откриле дека неколку модели за машинско учење што ги дизајнирале биле значително подобри во идентификувањето на оние деца кои се изложени на ризик од самоповредување.
Во услови на национална криза за менталното здравје кај младите, давателите на ментално здравје се обидуваат да го подобрат нивното разбирање за тоа кои деца се изложени на ризик од самоубиство или самоповредување за да можат да интервенираат порано. Сепак, здравствените системи често немаат целосно разбирање за тоа кој доаѓа низ нивните врати за самоповредливи мисли или однесувања, што значи дека многу модели на предвидување на ризик дизајнирани да ги означат децата на иден ризик се засноваат на нецелосни податоци, ограничувајќи ја точноста на предвидувањето.
„Нашата способност да предвидиме кои деца би можеле да имаат самоубиствени мисли или однесувања во иднина не е одлична – клучна причина е што нашето поле е прескокнато до предвидување наместо да паузираме за да откриеме дали навистина систематски ги откриваме сите што доаѓаат за поврзани со самоубиство. грижа“, рече Џулиет Едгкомб, д-р, д-р, водечки автор на студијата и помошник директор на Центарот за информатика и наука за податоци за ментално здравје на UCLA (MINDS). „Баравме да разбереме дали прво можеме да станеме подобри во откривањето“.
Многу модели за предвидување на ризик за самоубиство и самоповредување се потпираат на тоа како давателите на услуги ја категоризираат грижата што ја пружиле преку дијагностички кодови познати како Меѓународна класификација на болести, верзија 10 (ICD-10). Сепак, ова може да исклучи многу деца кои имаат самоповредливи мисли или однесувања, но се шифрирани во нивната здравствена евиденција за основна дијагноза за ментално здравје, како што се депресија или анксиозност.
Друг најчесто користен метод за означување на ризичните пациенти е „главната поплака“, кратка изјава дадена на почетокот на посетата на здравствената заштита во која се опишува зошто пациентот бара нега, но децата можеби не секогаш пријавуваат самоубиствени мисли и однесувања кога првпат дојдете во одделот за итни случаи.
Експертите ги разгледаа клиничките белешки за 600 посети на одделот за итни случаи за деца на возраст од 10-17 години во голем здравствен систем за да разберат колку добро шифрите на МКБ-10 и главната поплака ги идентификуваат децата со самоповредливи мисли или однесувања.
Експертите кои ги прегледале клиничките белешки на пациентите откриле дека кодовите на МКБ пропуштиле 29% од децата кои дошле во одделот за итни случаи поради самоповредливи мисли или однесувања, додека главната поплака пропуштила повеќе од половина (54%) од тие пациенти. Користењето на кодот на МКБ и главната поплака заедно сè уште пропуштиле околу 22% од тие пациенти.
Методите на скрининг кои се потпираа на кодовите на МКБ или главната поплака, исто така, имаат поголема веројатност да пропуштат машки деца отколку женски деца, како и пред тинејџери во споредба со тинејџерите. Исто така, имаше сигнал дека младите црнци и латино се со поголема веројатност да бидат изоставени, што предизвикува загриженост дека овие групи би можеле да бидат несразмерно недоволно застапени во моделите за предвидување на ризик.
Истражувачите дизајнираа три различни модели на машинско учење за да тестираат дали автоматскиот систем може подобро да ги означи децата со самоповредливи мисли или однесувања. Најсеопфатниот модел инкорпорираше 84 точки на податоци достапни во електронската евиденција на пациентот, вклучувајќи претходна медицинска нега, лекови, демографски информации и дали детето живее во неповолна населба, меѓу другото.
Вториот модел ги користеше сите дијагностички кодови за менталното здравје, наместо само шифрите поврзани со самоубиства кои доаѓаат од програмата за надзор на самоубиствата на ЦДЦ, а третиот погледна други индикатори, како што се лековите на пациентот и лабораториските тестови.
Сите три модели на машинско учење беа подобри во идентификацијата на децата со самоповредливи мисли и однесувања отколку само шифрите на ICD и главната поплака. Ниту еден модел за машинско учење не се покажа значително подобро од кој било од другите, што укажува на тоа дека здравствените системи би можеле да ја подобрат нивната способност да ги означат ризичните пациенти без да треба да градат особено софистицирани модели.
„Додавањето повеќе информации помага, но не мора да ви треба пристап со ѕвона и свирки за да добиете подобро откривање“, рече Едгкомб.
Моделите за машинско учење имаат поголема веројатност да ги означат пациентите кои не се изложени на ризик од самоповредување, но Едгкомб рече дека има мала негативна страна во користењето на овие почувствителни алатки за скрининг. „Во зависност од ситуацијата, можеби е подобро да има некои лажни позитиви и аналитичарот на медицинската евиденција да ги провери тие табели кои покажуваат позитивно, отколку да пропуштите многу деца целосно“, рече таа.
Претстојното истражување на Едкомб ќе продолжи да ги испитува начините за подобрување на моделите за предвидување на ризикот од самоубиство кај младите, вклучително и оние за деца од основно училиште, кои беа особено ретки.
Студијата е објавена во JMIR Mental Health.
Повеќе информации:
Џулиет Бени Едгкомб и сор., Проценка на откривање на деца со итни случаи поврзани со самоубиство: евалуација и развој на пресметливи пристапи за фенотипизација, JMIR Ментално здравје (2023). DOI: 10.2196/47084.