Psychopathologieprofielen en longitudinale correlaten van niet-suïcidaal zelfbeschadigend gedrag bij jongeren: een machine-learningbenadering

Waarom dit onderzoek ertoe doet voor gezinnen en gemeenschappen

Niet-suïcidaal zelfbeschadigend gedrag (NSSI) — het opzettelijk verwonden van het eigen lichaam zonder de bedoeling te sterven — komt schrikbarend vaak voor bij tieners en jongvolwassenen. Het is beangstigend voor ouders, pijnlijk voor jongeren en sterk verbonden met latere problemen met de geestelijke gezondheid en een verhoogd suïciderisico. Deze studie volgde Braziliaanse kinderen van de kindertijd tot het vroege volwassen leven om een cruciale vraag te beantwoorden: bestaan er verschillende typen jongeren die zichzelf verwonden, en kunnen we vroeg genoeg herkennen wie het meest risico loopt om hulp te bieden?

Twee verschillende paden naar hetzelfde schadelijke gedrag

Met gegevens van meer dan 1.300 kinderen uit de Brazilian High-Risk Cohort Study gebruikten onderzoekers machine-learningtools om adolescenten en jongvolwassenen die NSSI rapporteerden in groepen te verdelen op basis van hun mentale gezondheidsprofielen. Deze tools, die zoeken naar patronen in grote datasets, onthulden twee duidelijke profielen onder 244 jongeren die zichzelf hadden verwond: één met over het algemeen hoge niveaus van psychische problemen en één met relatief lage niveaus. Een vergelijkingsgroep van meer dan 1.100 leeftijdsgenoten die geen NSSI rapporteerden hielp het team te begrijpen wat de zelfbeschadigingsgroepen verschillend maakte. Ondanks dat ze hetzelfde gedrag deelden, hadden de twee NSSI-groepen verschillende voorgeschiedenissen en patronen van problemen in de loop van de tijd.

Een groep met veel problemen, vroeg en aanhoudend

Het eerste profiel — de “hoge problemen”-groep — omvatte jongeren die al op jonge leeftijd duidelijke problemen hadden. Als kinderen hadden zij een hogere kans op aandachtstekort-/hyperactiviteitsstoornis (ADHD), conflicten tussen ouders, gespannen relaties met verzorgers en een ouder met een stemmingsstoornis. Toen ze de adolescentie ingingen, namen hun emotionele en gedragsproblemen toe: meer angst en depressie, terugtrekgedrag, eetproblemen, emotionele uitbarstingen, slachtoffer van pesten en zelfs overgewicht — allemaal signalen van oplopende nood. In de late adolescentie en vroege volwassenheid liet deze groep hoge percentages gediagnosticeerde depressie, agressief gedrag, traumageschiedenis en gebruik van psychiatrische medicatie zien. Hun zelfbeschadiging neigde frequenter en ernstiger te zijn, wat duidt op een langdurige keten van problemen thuis, op school en innerlijk.

Een rustiger, minder-symptomatisch pad dat toch tot zelfbeschadiging leidt

Het tweede profiel — de “lagere problemen”-groep — leek grotendeels meer op de algemene populatie gedurende een groot deel van de kindertijd. Deze jongeren hadden minder vroege symptomen van mentale gezondheidsproblemen en gemiddeld betere zelfbeheersing, een denkvaardigheid die mensen helpt te pauzeren voordat ze handelen. Ze rapporteerden ook minder familieruzies en minder blootstelling aan middelen in het begin. Hun problemen deden zich later voor, rond de midden-adolescentie, in de vorm van schorsingen van school, deeltijdonderwijs, enkele obsessief-compulsieve of aandachtsproblemen, en werk of bijbaantjes. In de late adolescentie rapporteerden zij sombere gevoelens en enige daling in optimisme en welzijn, maar zij toonden niet het brede, ernstige psychiatrische beeld van de eerste groep. Velen bleven betrokken bij school, culturele activiteiten en werk. Voor hen lijkt NSSI minder verbonden met langdurige psychische ziekten en meer met zelfbeschadiging als een maladaptieve manier om met stress om te gaan wanneer het gewone leven hun copingcapaciteiten begint te overstijgen.

Hoe machine learning hielp de verbanden te leggen

Standaard statistische methoden hebben vaak moeite te voorspellen wie zichzelf zal verwonden, omdat risicofactoren elkaar overlappen en op complexe manieren interageren. Hier gebruikten de onderzoekers een twee-stappen machine-learningpipeline. Eerst creëerde een algoritme genaamd Self-Organizing Map een “kaart” van de mentale gezondheidsprofielen van jongeren, en een clusteringsmethode verdeelde deze kaart in de twee NSSI-subgroepen en de niet-NSSI vergelijkingsgroep. Vervolgens selecteerden andere algoritmen — waaronder elastic net en random forest modellen — uit tientallen variabelen verzameld op drie tijdspunten, zoals diagnoses, symptomen, gezinsfactoren, schoolervaringen en cognitie. Deze modellen presteerden beter dan toeval bij het onderscheiden van de groepen, vooral het profiel met hoge problemen, en benadrukten combinaties van factoren zoals ADHD, pesten, trauma en stemmingsproblemen bij ouders voor de hoog-risico groep, en schoolschorsing, perfectionisme en later optredende symptomen voor de laag-beloopte groep.

Wat dit betekent voor preventie en ondersteuning

Voor de algemene lezer is de belangrijkste boodschap dat niet alle jongeren die zichzelf verwonden hetzelfde patroon volgen. Sommigen hebben jarenlang zichtbare worstelingen, met meerdere mentale en sociale problemen die zich opstapelen. Anderen lijken redelijk goed aangepast tot de latere adolescentie, wanneer stress en mildere problemen geleidelijk hun copingvaardigheden overweldigen. Zelfbeschadiging is in beide groepen een alarmteken voor lijden, niet simpelweg “op zoek naar aandacht”. De studie suggereert dat preventie op meerdere niveaus moet werken: vroege identificatie en behandeling van kinder- en gezinsstress; school- en gemeenschapsinspanningen om pesten te verminderen; en gemakkelijke toegang tot korte, vaardigheidsgerichte interventies die gezondere manieren aanleren om met emoties om te gaan, zelfs voor tieners die niet voldoen aan de criteria voor een formele psychische stoornis. Door te erkennen dat verschillende paden naar hetzelfde gevaarlijke gedrag kunnen leiden, kunnen gezinnen, scholen en zorgsystemen flexibeler — en uiteindelijk effectiever — reageren om de toekomst van jongeren te beschermen.

Bronvermelding: Croci, M.S., Brañas, M.J., Finch, E.F. et al. Psychopathology profiles and longitudinal correlates of nonsuicidal self-injury in youth: a machine-learning approach. Transl Psychiatry 16, 99 (2026). https://doi.org/10.1038/s41398-026-03832-x

Trefwoorden: niet-suïcidaal zelfbeschadigend gedrag, jeugd mentale gezondheid, machine learning, adolescentieontwikkeling, risico- en beschermende factoren