DOI: https://doi.org/10.1136/bmjopen-2024-095529
PMID: https://pubmed.ncbi.nlm.nih.gov/41611460
تاريخ النشر: 2026-01-01
المؤلف: Joydeep Sarkar وآخرون
الموضوع الرئيسي: دراسات الانتحار وإيذاء النفس
نظرة عامة
تقدم هذه الورقة البحثية نهجًا قائمًا على التعلم الآلي يهدف إلى تعزيز اتخاذ القرار بشأن مخاطر الانتحار عند نقطة الرعاية ضمن نظام الرعاية الصحية الشبكي. تركز الدراسة على توليد رؤى قابلة للتنفيذ يمكن أن تُعلم مقدمي الرعاية الصحية حول المخاطر الديناميكية للإيذاء الذاتي المتعمد بين المرضى. من خلال الاستفادة من تقنيات النمذجة التنبؤية المتقدمة، يهدف المؤلفون إلى تحديد عوامل الخطر الرئيسية والأنماط التي تسهم في السلوك الانتحاري، مما يسهل التدخلات في الوقت المناسب.
تؤكد النتائج على إمكانيات خوارزميات التعلم الآلي في معالجة مجموعات البيانات المعقدة وتوليد رؤى تنبؤية تعتبر حاسمة لاتخاذ القرارات السريرية الفعالة. تمتد آثار هذا البحث إلى تحسين نتائج المرضى من خلال تمكين المهنيين الصحيين من الاستجابة بشكل استباقي للأفراد المعرضين لمخاطر مرتفعة من الإيذاء الذاتي، مما يسهم في النهاية في بيئة رعاية صحية أكثر استجابة ودعمًا.
الطرق
تحدد قسم الطرق تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات التي تم جمعها من تجارب مختلفة. شملت المنهجيات المحددة تجارب مختبرية محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة آثارها على النتائج ذات الصلة.
شملت جمع البيانات استخدام أدوات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام أدوات برمجية قادرة على التعامل مع نماذج إحصائية معقدة، مما يسمح بتقييم العلاقات بين المتغيرات. تم اشتقاق النتائج الرئيسية من تحليلات الانحدار، التي أشارت إلى ارتباطات كبيرة، وتم التحقق من النتائج من خلال تكرار التجارب تحت ظروف متغيرة. بشكل عام، قدمت الطرق المستخدمة إطارًا قويًا للتحقيق في الأسئلة البحثية المطروحة.
النتائج
حللت الدراسة مجموعة استباقية من 15,987 مريضًا بالغًا زاروا قسم الطوارئ النفسية (ED) في JPS من 2015 إلى 2019. تم تقسيم هذه المجموعة بشكل منهجي إلى ثلاث مجموعات: مجموعة تدريب (n=9610)، مجموعة اختبار (n=3189)، ومجموعة احتياطية أو مجموعة تحقق (n=3188)، مما يضمن عدم وجود تداخل بين المجموعات لتطوير النموذج، الاختبار، والتحقق. تم تقديم الخصائص الديموغرافية والسريرية التفصيلية للسكان المرضى بشكل عام وكل مجموعة في الجدول 1 والجداول التكميلية عبر الإنترنت S2A و S2B.
من التحليل، تم توليد ما مجموعه 263,152 سيناريو، من بينها 4.9% سجلت حادثة حدث ISH ضمن نافذة توقع مدتها 90 يومًا، بينما سجلت 2.6% مثل هذه الأحداث ضمن نافذة توقع مدتها 30 يومًا. تسلط هذه النتائج الضوء على انتشار أحداث ISH في السكان المدروسين وتؤكد على أهمية نهج النمذجة التنبؤية المستخدم في هذا البحث.
المناقشة
هدفت الدراسة إلى تطوير نموذج تنبؤي لتقييم خطر الانتحار والإيذاء الذاتي المتعمد (ISH) خلال 30 يومًا للمرضى الذين يقدمون إلى قسم الطوارئ النفسية (ED) في JPS. باستخدام قاعدة بيانات استباقية من المرضى البالغين (≥18 عامًا) بين يناير 2018 وديسمبر 2019، استخدم الباحثون طريقة نافذة متدحرجة لتحليل البيانات الطولية، مما يسمح بتقييم المخاطر الديناميكية بمرور الوقت. تضمن النموذج بيانات منظمة من السجلات الطبية الإلكترونية (EMRs) واستخدم معالجة اللغة الطبيعية لتعزيز تحديد أحداث ISH، مما أدى في النهاية إلى تحديد 165 ميزة ذات دلالة إحصائية للنمذجة.
أظهرت النماذج المعتمدة على الأشجار، وبشكل خاص XGBoost (XGB) وRandom Forest (RF)، خصوصية عالية (98.6%) ولكن حساسية أقل (25.5%)، مما يشير إلى فائدتها في الفرز بدلاً من التعرف النهائي على السيناريوهات عالية المخاطر. حقق نموذج XGB، خاصة عند تضمين ميزات الصحة البدنية، أفضل أداء لتوقعات 30 يومًا، مع ارتباط قوي (0.987) بين المخاطر المتوقعة وأحداث ISH الفعلية. ومع ذلك، قد تكون قابلية تطبيق النموذج محدودة بسبب الاختلافات الديموغرافية وغياب بعض المحددات الاجتماعية للصحة في مجموعة البيانات. تشير النتائج إلى أنه بينما يمثل النموذج تقدمًا كبيرًا في تقييم مخاطر الانتحار، يجب استخدامه كأداة تكميلية في اتخاذ القرارات السريرية، مع الاعتراف بحدوده والحاجة إلى مزيد من التحقق باستخدام مجموعات بيانات متنوعة.
DOI: https://doi.org/10.1136/bmjopen-2024-095529
PMID: https://pubmed.ncbi.nlm.nih.gov/41611460
Publication Date: 2026-01-01
Author(s): Joydeep Sarkar et al.
Primary Topic: Suicide and Self-Harm Studies
Overview
This research paper presents a machine learning approach aimed at enhancing decision-making regarding suicide risk at the point of care within a safety-net healthcare system. The study focuses on generating actionable insights that can inform healthcare providers about the dynamic risk of intentional self-harm among patients. By leveraging advanced predictive modeling techniques, the authors aim to identify key risk factors and patterns that contribute to suicidal behavior, thereby facilitating timely interventions.
The findings underscore the potential of machine learning algorithms to process complex datasets and yield predictive insights that are crucial for effective clinical decision-making. The implications of this research extend to improving patient outcomes by enabling healthcare professionals to respond proactively to individuals at heightened risk of self-harm, ultimately contributing to a more responsive and supportive healthcare environment.
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled laboratory experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments to ensure reliability and validity. The analysis was performed using software tools capable of handling complex statistical models, allowing for the assessment of relationships between variables. Key findings were derived from regression analyses, which indicated significant correlations, and the results were validated through replication of experiments under varying conditions. Overall, the methods employed provided a robust framework for investigating the research questions posed.
Results
The study analyzed a retrospective cohort of 15,987 adult patients who visited the psychiatric emergency department (ED) of JPS from 2015 to 2019. This cohort was systematically divided into three groups: a training set (n=9610), a test set (n=3189), and a hold-out or validation set (n=3188), ensuring no overlap among the groups for model development, testing, and validation. Detailed demographic and clinical characteristics of the overall patient population and each cohort are provided in Table 1 and online supplemental tables S2A and S2B.
From the analysis, a total of 263,152 scenarios were generated, of which 4.9% recorded an incident of an ISH event within a 90-day prediction window, while 2.6% recorded such events within a 30-day prediction window. These findings highlight the prevalence of ISH events in the studied population and underscore the importance of the predictive modeling approach employed in this research.
Discussion
The study aimed to develop a predictive model for assessing the risk of suicide and intentional self-harm (ISH) within 30 days for patients presenting to the psychiatric emergency department (ED) at JPS. Utilizing a retrospective database from adult patients (≥18 years) between January 2018 and December 2019, the researchers employed a rolling-window method to analyze longitudinal data, allowing for dynamic risk assessment over time. The model incorporated structured data from electronic medical records (EMRs) and utilized natural language processing to enhance the identification of ISH events, ultimately identifying 165 statistically significant features for modeling.
The resulting tree-based models, specifically XGBoost (XGB) and Random Forest (RF), demonstrated high specificity (98.6%) but lower sensitivity (25.5%), indicating their utility for triage rather than definitive identification of high-risk scenarios. The XGB model, particularly when including physical health features, achieved the best performance for 30-day predictions, with a strong correlation (0.987) between predicted risk and actual ISH events. However, the model’s applicability may be limited by demographic differences and the absence of certain social determinants of health in the dataset. The findings suggest that while the model represents a significant advancement in suicide risk assessment, it should be used as a supplementary tool in clinical decision-making, acknowledging its limitations and the need for further validation with diverse datasets.