Изследователи установиха, че традиционният начин за наблюдение и проследяване на деца, получаващи спешна помощ, може да пропусне голям брой от тези, които са изложени на риск от самонараняване, но изкуственият интелект може да помогне на медицинските лица да правят по-добри оценки.
След шокиращия случай на белгиец, за когото се съобщава, че е решил да сложи край на живота си, след като чатбот с изкуствен интелект го е насърчил да го направи, ново проучване установи, че моделите за машинно обучение всъщност могат да се използват ефективно за точно обратното: предотвратяване на самоубийствата сред младите хора.
Рецензирано проучване на изследователи от UCLA Health, публикувано в списание JMIR Mental Health миналата седмица, установи, че машинното обучение може да помогне за откриване на мисли или поведение на самонараняване при деца много по-добре от действителната система от данни, която понастоящем се използва от доставчиците на здравни услуги.
Според доклад на УНИЦЕФ от 2021 г. самоубийствата са водеща причина за смърт сред младите хора в Европа. Според оценките девет милиона деца на възраст между 10 и 19 години живеят с психични разстройства, като тревожността и депресията представляват повече от половината от всички случаи.
В САЩ понастоящем около 20 милиона млади хора могат да бъдат диагностицирани с психично разстройство, според данни на Министерството на здравеопазването и човешките ресурси на САЩ.
Изследователи от UCLA Health са прегледали клиничните бележки за 600 посещения в спешното отделение, направени от деца на възраст между 10 и 17 години, за да проверят доколко настоящите системи за оценка на психичното им здраве могат да идентифицират признаци на самонараняване и да оценят риска от самоубийство.
Установено е, че в тези клинични бележки са пропуснати 29% от децата, които са дошли в спешното отделение с мисли или поведение, свързани със самонараняване, докато в изявленията на здравните специалисти, които посочват рискови пациенти - наричани в САЩ “основно оплакване” - са пропуснати 54% от пациентите.
В последния случай здравните специалисти не са успели да забележат признака на самонараняващи мисли или поведение, тъй като децата често не съобщават за суицидни мисли и поведение по време на първото си посещение в спешното отделение.
Според проучването дори при съвместното използване на двете системи са пропуснати 22% от децата в риск. Проучването установява, че е по-вероятно да бъдат пропуснати момчетата, отколкото момичетата, а чернокожите и латиноамериканските младежи също са по-склонни да бъдат пропуснати, отколкото белите деца.
Установено е обаче, че моделите за машинно обучение имат значителен принос.
Изследователите създават три модела за машинно обучение, които разглеждат данни, включително предишни медицински грижи, лекарства, мястото, където живее пациентът, и резултати от лабораторни изследвания, за да оценят мисли, свързани със самоубийство, и мисли или поведение, свързани със самонараняване.
И трите модела са били по-добри в идентифицирането на деца в риск от традиционните методи.
“Способността ни да предвиждаме кои деца могат да имат мисли или поведение, свързани със самоубийство, в бъдеще не е голяма - основна причина за това е, че в нашата област се хвърлихме към прогнозиране, вместо да спрем, за да разберем дали всъщност системно откриваме всички, които идват за грижи, свързани със самоубийство”, казва Джулиет Едгкомб, водещ автор на проучването, в прессъобщение на Калифорнийския университет.
"Искахме да разберем дали можем първо да подобрим откриването."
Въпреки че трите модела за машинно обучение увеличават вероятността от фалшиви положителни резултати - деца, които са идентифицирани като рискови, а всъщност не са - според Едгкомб това е по-добре, “отколкото да пропуснем много деца напълно”.