Kann Selbstmord anhand von Patientenakten vorhergesagt werden?

Eine neue Studie zeigt, dass ein prädiktives Computermodell Patienten, bei denen das Risiko eines Selbstmordversuchs besteht, anhand von Mustern in ihren elektronischen Patientenakten identifizieren kann - durchschnittlich zwei Jahre im Voraus.

Solche Modelle könnten potenziell Angehörige der Gesundheitsberufe vor einem Besuch alarmieren und den Patienten helfen, geeignete Interventionen zu erhalten, sagen Forscher des Boston Children’s Hospital und des Massachusetts General Hospital.

Die Ergebnisse werden in veröffentlicht JAMA-Netzwerk geöffnet.

„Computer können Pflegeteams bei der Identifizierung von psychischen Problemen nicht ersetzen. Wir sind jedoch der Meinung, dass Computer, wenn sie gut konzipiert sind, Hochrisikopatienten identifizieren können, die derzeit unbemerkt durch das Gesundheitssystem durch die Risse fallen “, sagte Dr. Ben Reis, Direktor der Predictive Medicine Group, Teil von das Computational Health Informatics Program (CHIP) am Boston Children's Hospital und Co-Senior-Autor des Papiers.

„Wir stellen uns ein System vor, das dem Arzt mitteilen kann, dass von allen Ihren Patienten diese drei in eine Hochrisikokategorie fallen. Nehmen Sie sich ein paar Minuten Zeit, um mit ihnen zu sprechen. '”

Für die Studie analysierten die Forscher elektronische Patientenakten von mehr als 3,7 Millionen Patienten im Alter von 10 bis 90 Jahren in fünf verschiedenen US-amerikanischen Gesundheitssystemen: Partners HealthCare System in Boston; Boston Medical Center; Boston Kinderkrankenhaus; Wake Forest Medical Center in North Carolina; und University of Texas Health Science Center in Houston.

Daten im Wert von 6 bis 17 Jahren waren in den verschiedenen Zentren verfügbar, darunter Diagnosecodes, Labortestergebnisse, Codes für medizinische Verfahren und Medikamente.

Die Aufzeichnungen ergaben insgesamt 39.162 Selbstmordversuche. Die Modelle konnten 38 Prozent von ihnen (dies lag zwischen 33 und 39 Prozent in den fünf Zentren) mit einer Spezifität von 90 Prozent erkennen. Die Fälle wurden durchschnittlich 2,1 Jahre vor dem eigentlichen Selbstmordversuch aufgenommen (Bereich 1,3 bis 3,5 Jahre).

Zu den stärksten Prädiktoren gehörten, nicht überraschend, Drogenvergiftungen, Drogenabhängigkeit, akute Alkoholvergiftung und verschiedene psychische Erkrankungen. Aber andere Prädiktoren waren solche, die normalerweise nicht in den Sinn kommen würden, wie Rhabdomyolyse, Cellulitis oder Handabszess und HIV-Medikamente.

"Es gab keinen einzigen Prädiktor", sagt Reis. "Es ist eher eine Gestalt oder ein Gleichgewicht der Beweise, ein allgemeines Signal, das sich im Laufe der Zeit aufbaut."

Das Team entwickelte das Modell in zwei Schritten unter Verwendung eines Ansatzes des maschinellen Lernens. Zunächst zeigten sie die Hälfte ihrer Patientendaten einem Computermodell und leiteten es, um Muster zu finden, die mit dokumentierten Selbstmordversuchen verbunden waren.

Als nächstes nahmen sie Lehren aus dieser „Trainingsübung“ und validierten sie anhand der anderen Hälfte ihrer Daten. Bitten Sie das Modell, allein anhand dieser Muster vorherzusagen, welche Patienten letztendlich einen Selbstmordversuch unternehmen würden.

Insgesamt schnitt das Modell in allen fünf medizinischen Zentren ähnlich ab, aber eine Umschulung des Modells in einzelnen Zentren brachte bessere Ergebnisse.

"Wir hätten ein Modell für alle medizinischen Zentren mit denselben Codes erstellen können", sagte Yuval Barak-Corren, M.D., von CHIP, Erstautor des Papiers. "Wir haben uns jedoch für einen Ansatz entschieden, bei dem automatisch ein etwas anderes Modell erstellt wird, das auf die Besonderheiten der einzelnen Gesundheitsstandorte zugeschnitten ist."

Selbstmord ist heute die zweithäufigste Todesursache unter amerikanischen Jugendlichen. Die Zahl der tödlichen Selbstmorde stieg zwischen 2000 und 2016 um 30 Prozent, und allein 2016 gab es 1,3 Millionen nicht tödliche Selbstmordversuche.

Die Ergebnisse bestätigen den Wert der Anpassung des Modells an jeden Standort, da Gesundheitszentren möglicherweise eindeutige Vorhersagefaktoren aufweisen, die auf unterschiedlichen Kodierungspraktiken für Krankenhäuser sowie lokalen demografischen Merkmalen und Gesundheitsmustern beruhen.

Quelle: Boston Kinderkrankenhaus