Verbetering van gepersonaliseerde voorspelling van suïciderisico voor VA-patiënten door integratie van discrete modellen voor natuurlijke taalverwerking

Waarom dit onderzoek ertoe doet

Suïcide onder militaire veteranen is een urgente volksgezondheidscrisis, maar onze beste voorspellingsinstrumenten missen nog steeds veel mensen met risico, vooral degenen die niet duidelijk in gevaar lijken te verkeren. Deze studie onderzoekt of computers meer kunnen leren uit de woorden in de medische dossiers van veteranen om beter te signaleren wie hulp nodig kan hebben, met speciale aandacht voor degenen die momenteel als laag- of matig risico worden geclassificeerd.

Voorbij de gebruikelijke cijfers kijken

Het Amerikaanse Department of Veterans Affairs (VA) gebruikt al een systeem genaamd REACH‑VET om veteranen met het hoogste suïciderisico aan te wijzen. REACH‑VET vertrouwt op “gestructureerde” informatie die netjes in tabellen past, zoals diagnoses, eerdere ziekenhuisopnames of of iemand ooit suïcidale gedachten heeft gemeld. Hoewel krachtig, werkt deze benadering het beste voor patiënten die vaak gebruikmaken van VA‑diensten en veel van zulke gegevens genereren. Veteranen met minder bezoeken, of wier problemen niet volledig worden vastgelegd in hokjes en codes, kunnen over het hoofd worden gezien ondanks dat ze in gevaar zijn.

De aantekeningen van artsen omzetten in bruikbare signalen

Veel van wat clinici over een patiënt weten staat in vrije‑tekstnotities in plaats van in keurige velden. De onderzoekers benaderden deze geschreven notities—gemaakt binnen 5 tot 30 dagen vóór overlijden voor veteranen die door suïcide stierven, en in hetzelfde venster voor gematchte veteranen die dat niet deden—om te zien of taalpatronen de risicovoorspelling konden verscherpen. Ze vergeleken twee manieren om tekst te verwerken. De ene was een “semantische” methode die uitgaat van door experts samengestelde woordenlijsten die ideeën vastleggen zoals familiebanden, plezier of negatieve gevoelens. De andere was een “telt”‑methode die simpelweg bijhoudt hoe vaak specifieke woorden of korte zinnen voorkomen, waardoor de data zonder voorafgaande aannames patronen kunnen onthullen.

Twee gezichtspunten op taal combineren

Met deze ingrediënten bouwde het team machine‑learningmodellen die probeerden te onderscheiden welke veteranen door suïcide stierven van vergelijkbare veteranen die dat niet deden, apart binnen drie groepen: hoog, matig en laag voorspeld risico volgens REACH‑VET. Ze maakten modellen die alleen semantische kenmerken gebruikten, alleen woordtellingen, of een hybride van beide. Om de twee tekstbenaderingen eerlijk te mengen, stelden ze het model zo bij dat semantische kenmerken, die in aantal schaarser zijn, toch een kans kregen om beslissingen te beïnvloeden naast de veel talrijkere telkenmerken. De prestatie werd gemeten met een standaardmaat die in wezen vraagt hoe vaak het model iemand die door suïcide stierf een hogere risicoscore geeft dan een gematcht iemand die dat niet deed.

Wat de modellen ontdekten

Over alle drie risicogroepen heen presteerden modellen die uitsluitend op woordtellingen waren gebaseerd over het algemeen beter dan modellen die alleen semantische woordenlijsten gebruikten. Toch waren de meest succesvolle modellen voor veteranen in de matige en lage REACH‑VET‑categorieën hybriden die zwaar leunden op woordtellingen terwijl ze nog steeds informatie uit semantische maten haalden. Deze gecombineerde modellen behaalden beperkte verbeteringen ten opzichte van REACH‑VET alleen, met de grootste winst voor veteranen die aanvankelijk als laag risico waren aangemerkt en die ook de neiging hadden minder medische contacten en minder gestructureerde gegevens te hebben. De taalpatronen die telden verschilden per groep: notities van hoog‑risico benadrukten acute geestelijke gezondheidsproblemen, matig‑risico‑notities lichtten zorgprocessen uit, en laag‑risico‑notities neigden naar algemene medische en revalidatiethema’s, evenals tekenen van sociale verbondenheid of het gebrek daaraan.

Gevolgen voor zorg en preventie

Deze bevindingen wijzen erop dat ongestructureerde tekst in elektronische medische dossiers waardevolle aanwijzingen bevat die schattingen van suïciderisico kunnen verfijnen, vooral voor mensen die nog niet in de hoogste risicocategorie zitten. Door eenvoudige woordtelpatronen te mengen met meer theoriegedreven semantische signalen en modellen af te stemmen op verschillende risiconiveaus, kunnen zorgsystemen mogelijk kwetsbare veteranen eerder opsporen en interventies ontwerpen die passen bij hun niveau en type risico. Voor patiënten met een lager risico kan dit lichtere vormen van ondersteuning betekenen, zoals geautomatiseerde check‑ins, doorverwijzingen naar peer‑ of welzijnsprogramma’s, of routinematige gesprekken over sociale en emotionele uitdagingen tijdens reguliere bezoeken.

Wat dit betekent voor veteranen en clinici

In eenvoudige bewoordingen laat de studie zien dat aandacht voor hoe clinici hun patiënten beschrijven—naast traditionele medische gegevens—suïcidevoorspellingsinstrumenten gevoeliger kan maken voor veteranen die anders tussen de mazen van het net zouden glippen. Hoewel de verbeteringen bescheiden zijn en de aanpak nog in realtime klinische omgevingen moet worden getest, is het een concrete stap richting meer gepersonaliseerde, gegevensgeïnformeerde suïcidepreventie die niet alleen degenen in duidelijke crisis bedient, maar ook degenen wier risico stiller, complexer en gemakkelijker te missen is.

Bronvermelding: Dimambro, M., Levy, J., Gui, J. et al. Enhancing personalized suicide risk prediction for VA patients by integrating discrete natural language processing models. Transl Psychiatry 16, 196 (2026). https://doi.org/10.1038/s41398-026-03940-8

Trefwoorden: suïciderisico veteranen, elektronische medische dossiers, natuurlijke taalverwerking, risico‑voorspellingsmodellen, geestelijke gezondheidszorg