Big data skal forutsi potensielle selvmord

Ved hjelp av data fra millioner av anonymiserte pasientjournaler er det mulig å identifisere mellom en tredel og halvparten av alle selvmordsforsøk; til og med flere år før de reelt vil finne sted. Det viser et prosjekt som Ben Reis og hans forskerkollegaer på Predictive Medicine Group ved Harvard Medical School har gjennomført.

– Det menneskelige sinnet er veldig komplisert. Hver enkelt har sin egen historie og opplevelser som er unike. Sinnslidelser er komplekse, og de diagnostiseres ikke ved at man kan ta en blodprøve og analysere for forskjellige sykdommer. Derfor var mange – inkludert oss selv – skeptiske overfor om det ville virke, sier Ben Reis som tidligere blant annet har vært rådgiver for USAs regjering om nasjonalt bioforsvar, og er hedret av Det hvite hus for sitt arbeid med å benytte sosiale nettverk til å forbedre folkehelsen.

I et intervju med Ingeniørens medium DataTech fremhever Ben Reis flere ganger at den utviklede modellen bare skal ses som en støtte til en praktiserende lege – ikke som en erstatning for legen.

– Ideelt sett er det best å bruke tid sammen med en person slik at man kan identifisere hvilke problemer personen har. Hvis du vet at noen er i risikosonen, kan det eksisterende helsevesenet og psykiaterne hjelpe. Vi fokuserer på de personene som ingen vet er i risikosonen: Hvordan kan man finne dem?

Naiv Bayesiansk klassifisering

– Vi bygde opp en ganske enkel modell i form av en bayesiansk klassifisering, så det er ikke en avansert modell som bruker dyplæring eller beslutningstrær, forklarer Ben Reis om grunnlaget for prosjektet.

I amerikanske elektroniske pasientjournaler kan det forekomme rundt 30.000 forskjellige features i form av såkalte ICD9-kategorier, så det er 30.000 features i modellen.

Bare pasienter med minimum tre legebesøk ble inkludert, og det ble brukt 1,7 millioner anonymiserte elektroniske pasientjournaler i oppbygningen av modellen.

– En liten del av dem hadde forsøkt å begå selvmord, så vi forsøkte å finne fram til hvilke egenskaper som skilte dem fra den store gruppen, sier Ben Reis.

Deretter ble en testgruppe kjørt gjennom modellen. Forskerne visste også hvilke av de anonymiserte personene i denne gruppen som hadde forsøkt å begå selvmord, men den opplysningen skulle modellen selv finne fram til.

– Vi leste inn data i kronologisk rekkefølge. Så snart modellen hadde nok data til å identifisere en potensiell selvmordskandidat, ble vedkommende markert, sier Ben Reis.

Dermed kunne forskerne konstatere hvor lang tid innen et selvmordsforsøk fant sted, modellen kunne identifisere faresignalene.

– Det gikk faktisk langt bedre med modellen enn forventet. Avhengig av hvordan du satte parameterne, ble mellom en tredel og halvparten av de menneskene som hadde forsøkt å utføre selvmord, identifisert, sier Ben Reis.

Med et nivå for falske positive på 10 prosent forutså modellen «selvmordsoppførsel» i gjennomsnittlig 4,0 år innen ICD9-koden for selvmordsforsøk ble registrert i pasientens journal for 45 prosent av tilfellene.

Forklarlighet og performance

Under oppbyggingen av modellen la forskerne stor vekt på forklarlighet. Men hvis systemet skal anvendes i virkeligheten, vil fokus også være på ytelse (performance) – og det vil sannsynligvis innebære å introdusere andre modeller.

– Det at vi brukte en bayesiansk klassifisering i oppbyggingen av systemet, gjør det svært transparent. For et sanntidssystem er ytelse også viktig, og det finnes andre mer avanserte modeller som beslutningstrær og dyplærings-nettverk som kan hjelpe til med det. Vi vil sannsynligvis ha en blanding av disse metodene i en ferdig versjon, sier Ben Reis, og opplyser at prosjektet enda ikke brukes hos praktiserende leger, og at det ikke finnes en planlagt startdato.

Han understreker at det bare vil være praktiserende leger som vil bruke systemet.

– Det er et verktøy som legen kan bruke til å screene pasientene sine. Det er din privatpraktiserende lege som kan bruke dette som støttesystem i sitt daglige arbeid for å bli mer oppmerksom på faresignaler som det kanskje ellers vil være risiko for å overse, sier Ben Reis.

Denne artikkelen ble først publisert på Ingeniøren for deres abonnenter og gjøres tilgjengelig for abonnenter av TU Ekstra gjennom vår samarbeidsavtale.