מודל למידת מכונה כהוכחת-עיקרון לסיווג סיכון להתאבדות בטווח הקצר אצל צעירים מדוכאים

מדוע זה חשוב למשפחות ומטפלים

התאבדות היא אחד מהסיכונים המפחידים ביותר העומדים בפני מתבגרים ובני־נוער עם דיכאון. משפחות ומטפלים לעתים מתקשים להבחין מי בסכנה מידית ומי יחסית בטוח לאחר הטיפול. המחקר הזה בוחן האם מציאת דפוסים מבוססת מחשב — הידועה כלמידת מכונה — יכולה לסייע במיון מהיר של מטופלים צעירים לרמות סיכון שונות בטווח הקצר, ובכך להנחות מעקב צמוד יותר לאלה הזקוקים לכך.

מבט קרוב אחרי הטיפול בצעירים

המחקר עקב אחר 602 מתבגרים ובוגרים צעירים בסין, בגילאים 15 עד 24, כולם מקבלים טיפול בהפרעות דיכאון בבתי חולים ובמרפאות. במשך 30 הימים שלאחר הטיפול הצוות בדק האם כל אדם ביצע ניסיון התאבדות. במהלך הביקורים המידע נאסף באמצעות מגוון שאלונים וראיונות על מצב רוח, חרדה, שינה, לחץ, היסטוריה של פגיעה עצמית, רקע משפחתי ותפקוד יומיומי, ורופאים תיעדו פרטים רפואיים כגון טיפול אשפוז מול טיפול חוץ ושימוש בתרופות. תערובת עשירה זו של מידע יצרה תמונה מפורטת של חיי ותסמיני כל מטופל ברגע הטיפול.

לימוד המחשבים לזהות דפוסים נסתרים

חוקרים לאחר מכן אימנו מספר סוגי מודלים של למידת מכונה כדי לחזות מי ינסה להתאבד בחודש שלאחר הטיפול. הם הזינו למודלים 102 פריטי מידע שונים לכל מטופל וחילקו את הקבוצה כך שרוב המטופלים שימשו לאימון המודלים בעוד קבוצת מבחן קטנה נותרה כדי לבדוק עד כמה המודלים יעילים במקרים חדשים. במקום לרדוף אחרי מורכבות גולמית, הצוות התמקד בגישות שמפשטות את המודלים ומקטינות את הסבירות שאלה יתבססו על רעש אקראי בנתונים.

מה המודלים יכלו ולא יכלו לעשות

מתוך שבע הגישות שנבדקו, שתי שיטות יחסית פשוטות — שנקראות מכונות וקטור תמיכה ורגסיית אלסטיק נט — הופיעו ככה טובות ביותר. כאשר שולבו לאנסמבל יחיד, הן השיגו יכולת גבוהה להבחין בין מטופלים בסיכון גבוה לאלה בסיכון נמוך. המודל הצליח במיוחד לזהות תת‑קבוצה קטנה, כימין אחד לעשרה מטופלים, שבה הסיכון לניסיון התאבדות היה גבוה בכמה מונים בהשוואה לשאר. יחד עם זאת, התחזיות היו אמינות יותר לחרוג מסכנה מיידית מאשר לזהות בדיוק מי יבצע ניסיון, כלומר רבים מהמסומנים כסיכון גבוה לא יפגעו בעצמם בפועל.

אותות שבלטו בחיי היומיום

המחקר גם האיר אילו סוגי מידע השפיעו ביותר על החלטות המחשב. חלק מהגורמים קבועים, כגון מין, רמת השכלה או היסטוריה משפחתית רחבה של מחלות נפש. אחרים ניתנים לשינוי וקשרו ישירות לחיי היומיום: חומרת הדיכאון הנוכחית, צריכת אלכוהול, לקיחת תרופות לפי מרשם בנאמנות, התבוננות מעמיקה במחשבות שליליות, ומידת הקרבה והתמיכה במערכות היחסים המשפחתיות. אלגוריתמים שונים הדגישו פרטים מעט שונים, אך שניהם הסכימו שחומרת הדיכאון הנוכחית היא מרכזית, מה שמחזק את החשיבות של טיפול אגרסיבי בתסמינים ותמיכה בשגרות בריאותיות.

מגבלות ומה הלאה

למרות תוצאות מבטיחות, הכותבים מדגישים שהמודל שלהם אינו מוכן להנחות החלטות קליניות באופן עצמאי. התרחשו רק 30 ניסיונות התאבדות במחקר, מה שהופך כל מודל לשברירי, וכל המשתתפים הגיעו ממדינה אחת ובמרביתם מהגדרות קליניות דומות. המודל נבדק רק תקופה של 18 חודשים, ולכן לא ברור עד כמה ישמור על ביצועים כשנהוגים שינויים בפרקטיקות טיפוליות ולחצים חברתיים. לכן יש לראות את העבודה כהוכחת-עיקרון: היא מראה ששילוב של מידע קליני וחיי יום מפורט יחד עם שיטות למידת מכונה שנבחרו בקפידה יכול למיין באופן משמעותי מטופלים צעירים לפי סיכון להתאבדות בטווח הקצר, ומצביעה על תחומים ספציפיים שניתנים לשינוי — כמו חומרת דיכאון, שימוש באלכוהול, הרגלי תרופות וקשר משפחתי — שבהם תמיכה ממוקדת עשויה לסייע לשמור על בטיחותם של הצעירים הפגיעים.

ציטוט: Sun, B., Zhang, J., Ma, Y. et al. A proof-of-concept machine learning model for short-term suicide risk stratification in depressed youth. Transl Psychiatry 16, 187 (2026). https://doi.org/10.1038/s41398-026-03944-4

מילות מפתח: דיכאון אצל צעירים, סיכון להתאבדות, למידת מכונה, חיזוי סיכון, סריקה לבריאות הנפש