ШІ навчили оцінювати ризик самогубства і самоушкоджень у підлітків

Дослідники використовували машинне навчання, щоб виявити фактори, які впливають на ризик самогубства і навмисного пошкодження тіла (селфхарм) у підлітків.

Дослідники з Університету Нового Південного Уельсу в Сіднеї розробили ШІ для оцінки ризику самогубства і членоушкодження у підлітків. На відміну від існуючих підходів, які спираються тільки на зареєстровані попередні спроби небезпечної поведінки, модель використовує понад 4 000 факторів.

Вчені використовували дані довгострокового спостереження за австралійськими дітьми LSAC. З 2004 року дослідники відстежували розвиток дітей і їх оточення. У базу даних збирали інформацію про здоров’я, сім’ї, соціального, економічного та культурного середовища. Крім того, діти, батьки або опікуни та педагоги регулярно проходили анкетування.

Для навчання нейронної мережі дослідники відібрали 2 809 учасників дослідження, яких розділили на дві вікові групи: 14-15 і 16-17 років. 10,5% повідомляли про умисне нанесення собі ушкоджень (селфхарм), а 5,2% — про спробу самогубства хоча б один раз за останні 12 місяців.

ШІ виявив понад 4000 потенційних факторів ризику, що стосуються психічного і фізичного здоров’я, відносин з іншими людьми, обстановки в школі і вдома. Дослідники використовували метод випадкового лісу (алгоритм машинного навчання), щоб визначити, які ознаки в 14 – 15 років найкраще пророкують спроби самогубства і членоушкодження в 16 – 17 років.

Ключовими факторами ризику були депресивні почуття, емоційні і поведінкові труднощі, проблеми самосприйняття, а також шкільна і сімейна динаміка. При цьому на ризик самогубства впливала низька самоефективність — відсутність віри у власне майбутнє і ефективність своїх дій, а до селфхарми вели порушення емоційної регуляції.

Дослідники також відзначили, що наявність в анамнезі інформації про попередні спроби самогубства або членоушкодження, які часто використовують для виділення груп ризику, які не були ключовими факторами. При цьому оточення в школі і вдома впливає набагато більше, ніж вважалося раніше. Цю особливість можна використовувати для профілактики, вважають вчені.

Для впровадження прогностичних моделей в клінічну практику необхідні додаткові дослідження, відзначають автори роботи. Потрібно перевірити, чи буде модель працювати на меншому обсязі даних в електронних медичних картах пацієнтів.