La perte d’une vie peut être dévastatrice, mais la perte d’une vie par suicide est particulièrement tragique.
Environ neuf Australiens se suicident chaque jour, et c’est la principale cause de décès chez les Australiens âgés de 15 à 44 ans. Les tentatives de suicide sont plus fréquentes, certaines estimations indiquant qu’elles se produisent jusqu’à 30 fois plus souvent que les décès.
« Le suicide a des effets importants lorsqu’il se produit. Il touche de nombreuses personnes et a des conséquences profondes pour la famille, les amis et les communautés », déclare Karen Kusuma, titulaire d’un doctorat de l’UNSW à Sydney. candidat en psychiatrie au Black Dog Institute, qui étudie la prévention du suicide chez les adolescents.
Mme Kusuma et une équipe de chercheurs du Black Dog Institute et du Center for Big Data Research in Health ont récemment étudié la base de preuves des modèles d’apprentissage automatique et leur capacité à prédire les futurs comportements et pensées suicidaires. Ils ont évalué les performances de 54 algorithmes d’apprentissage automatique précédemment développés par des chercheurs pour prédire les résultats liés au suicide de l’idéation, de la tentative et de la mort.
La méta-analyse, publiée dans le Journal de recherche psychiatrique ont constaté que les modèles d’apprentissage automatique surpassaient les modèles traditionnels de prédiction des risques pour prédire les résultats liés au suicide, qui avaient traditionnellement de mauvais résultats.
« Dans l’ensemble, les résultats montrent qu’il existe une base de preuves préliminaire mais convaincante que l’apprentissage automatique peut être utilisé pour prédire les futurs résultats liés au suicide avec de très bonnes performances », déclare Mme Kusuma.
Modèles traditionnels d’évaluation du risque de suicide
L’identification des personnes à risque de suicide est essentielle pour prévenir et gérer les comportements suicidaires. Cependant, la prévision des risques est difficile.
Dans les services d’urgence (SU), des outils d’évaluation des risques tels que des questionnaires et des échelles d’évaluation sont couramment utilisés par les cliniciens pour identifier les patients à risque élevé de suicide. Cependant, les preuves suggèrent qu’ils sont inefficaces pour prédire avec précision le risque de suicide dans la pratique.
« Bien qu’il existe certains facteurs communs associés aux tentatives de suicide, les risques pour une personne peuvent être très différents pour une autre », déclare Mme Kusuma. « Mais le suicide est complexe, avec de nombreux facteurs dynamiques qui rendent difficile l’évaluation d’un profil de risque à l’aide de ce processus d’évaluation. »
Une analyse post-mortem des personnes décédées par suicide dans le Queensland a révélé que parmi celles qui ont reçu une évaluation formelle du risque de suicide, 75% ont été classées comme à faible risque et aucune n’a été classée comme à haut risque. Des recherches antérieures examinant les 50 dernières années de modèles quantitatifs de prédiction du risque de suicide ont également révélé qu’ils n’étaient que légèrement meilleurs que le hasard pour prédire le risque de suicide futur.
« Le suicide est l’une des principales causes d’années de vie perdues dans de nombreuses régions du monde, y compris en Australie. , nous avons constaté des augmentations », déclare Mme Kusuma.
Malgré le manque de preuves en faveur des évaluations traditionnelles du risque de suicide, leur administration reste une pratique courante dans les établissements de soins de santé pour déterminer le niveau de soins et de soutien d’un patient. Les personnes identifiées comme présentant un risque élevé reçoivent généralement le niveau de soins le plus élevé, tandis que celles identifiées comme présentant un faible risque reçoivent leur congé.
« En utilisant cette approche, malheureusement, les interventions de haut niveau ne sont pas accordées aux personnes qui ont vraiment besoin d’aide. Nous devons donc chercher à réformer le processus et explorer les moyens d’améliorer la prévention du suicide », a déclaré Mme Kusuma.
Dépistage du suicide par apprentissage automatique
Mme Kusuma dit qu’il y a un besoin pour plus d’innovation dans la suicidologie et une réévaluation des modèles standards de prédiction du risque de suicide. Les efforts visant à améliorer la prédiction des risques ont conduit ses recherches à utiliser l’intelligence artificielle (IA) pour développer des algorithmes de risque de suicide.
« Avoir une IA qui pourrait recueillir beaucoup plus de données qu’un clinicien serait en mesure de mieux reconnaître les schémas associés au risque de suicide », déclare Mme Kusuma.
Dans l’étude de méta-analyse, les modèles d’apprentissage automatique ont surpassé les références établies précédemment par les modèles traditionnels de prédiction du risque de suicide cliniques, théoriques et statistiques. Ils ont correctement prédit 66% des personnes qui connaîtraient un résultat suicidaire et correctement prédit 87% des personnes qui ne connaîtraient pas un résultat suicidaire.
« Les modèles d’apprentissage automatique peuvent bien prédire les décès par suicide par rapport aux modèles de prédiction traditionnels et pourraient devenir une alternative efficace et efficiente aux évaluations des risques conventionnelles », a déclaré Mme Kusuma.
Les hypothèses strictes des modèles statistiques traditionnels ne lient pas les modèles d’apprentissage automatique. Au lieu de cela, ils peuvent être appliqués de manière flexible à de grands ensembles de données pour modéliser des relations complexes entre de nombreux facteurs de risque et des résultats suicidaires. Ils peuvent également intégrer des sources de données réactives, y compris les médias sociaux, pour identifier les pics de risque de suicide et signaler les moments où les interventions sont les plus nécessaires.
« Au fil du temps, les modèles d’apprentissage automatique pourraient être configurés pour prendre en compte des données plus complexes et plus volumineuses afin de mieux identifier les modèles associés au risque de suicide », explique Mme Kusuma.
L’utilisation d’algorithmes d’apprentissage automatique pour prédire les résultats liés au suicide est encore un domaine de recherche émergent, avec 80 % des études identifiées publiées au cours des cinq dernières années. Mme Kusuma dit que les recherches futures aideront également à traiter le risque de biais d’agrégation trouvé dans les modèles algorithmiques à ce jour.
« Des recherches supplémentaires sont nécessaires pour améliorer et
valider ces algorithmes, ce qui contribuera ensuite à faire progresser
l’application de l’apprentissage automatique en suicidologie », déclare
Mme Kusuma. « Bien que nous soyons encore loin de la mise en œuvre dans
un cadre clinique, la recherche suggère qu’il s’agit d’une voie
prometteuse pour améliorer la précision du dépistage du risque de
suicide à l’avenir. »
https://www.attractivearea.com/sante-bien-etre/lintelligence-artificielle-pourrait-ameliorer-la-prevention-du-suicide-a-lavenir/21990
***
Info + Journal of Psychiatric Research Volume 155, November 2022, Pages 579-588
The
performance of machine learning models in predicting suicidal ideation,
attempts, and deaths: A meta-analysis and systematic review Author Karen Kusuma Mark Larsen Juan C.Quiroz Malcolm Gillies Alexander Burnett Jiahui Qian Michelle Torok
a Black Dog Institute, University of New South Wales, Hospital Road, Randwick NSW, 2031, Australia b Centre for Big Data Research in Health, University of New South Wales, Sydney NSW, 2052, Australia
Received
16 March 2022, Revised 21 August 2022, Accepted 24 September 2022,
Available online 29 September 2022, Version of Record 6 October 2022.
https://www.sciencedirect.com/science/article/abs/pii/S0022395622005416