Исследователи из Университета Нового Южного Уэльса в Сиднее разработали ИИ для оценки риска самоубийства и членовредительства у подростков. В отличие от существующих подходов, которые опираются только на зарегистрированные предыдущие попытки опасного поведения, модель использует свыше 4 000 факторов.
Ученые использовали данные долгосрочного наблюдения за австралийскими детьми LSAC. С 2004 года исследователи отслеживали развитие детей и их окружение. В базу данных собирали информацию о здоровье, семье, социальной, экономической и культурной среде. Кроме того, дети, родители или опекуны и педагоги регулярно проходили анкетирование.
Для обучения нейронной сети исследователи отобрали 2 809 участников исследования, которых разделили на две возрастные группы: 14-15 и 16-17 лет. 10,5% сообщали об умышленном нанесении себе повреждений (селфхарм), а 5,2% — о попытке самоубийства хотя бы один раз за последние 12 месяцев.
ИИ выявил свыше 4000 потенциальных факторов риска, касающихся психического и физического здоровья, отношений с другими людьми, обстановки в школе и дома. Исследователи использовали метод случайного леса (алгоритм машинного обучения), чтобы определить, какие признаки в 14–15 лет лучше всего предсказывают попытки самоубийства и членовредительства в 16–17 лет.
Ключевыми факторами риска были депрессивные чувства, эмоциональные и поведенческие трудности, проблемы самовосприятия, а также школьная и семейная динамика. При этом на риск самоубийства влияла низкая самоэффективность — отсутствие веры в собственное будущее и эффективность своих действий, а к селфхарму вели нарушения эмоциональной регуляции.
Исследователи также отметили, что наличие в анамнезе информации о предыдущих попытках самоубийства или членовредительства, которые часто используют для выделения групп риска, не были ключевыми факторами. При этом окружение в школе и дома влияет гораздо больше, чем считалось ранее. Эту особенность можно использовать для профилактики, считают ученые.
Для внедрения прогностических моделей в клиническую практику необходимы дополнительные исследования, отмечают авторы работы. Нужно проверить, будет ли модель работать на меньшем объеме данных в электронных медицинских картах пациентов.
