Een proof-of-concept machine learning-model voor kortetermijn-stratificatie van suïciderisico bij depressieve jongeren

Waarom dit belangrijk is voor families en zorgverleners

Zelfdoding is een van de meest angstwekkende risico’s voor tieners en jongvolwassenen met depressie. Families en clinici vinden het vaak moeilijk om te beoordelen wie direct gevaar loopt en wie relatief veilig is na een behandeling. Deze studie onderzoekt of computergebaseerde patroonherkenning — bekend als machine learning — kan helpen om jonge patiënten snel in verschillende kortetermijn-risiconiveaus te plaatsen, en zo mogelijk gerichter vervolgcontact te sturen naar degenen die het meest kwetsbaar zijn.

Een nadere blik op jongeren na behandeling

Het onderzoek volgde 602 adolescenten en jongvolwassenen in China, in de leeftijd van 15 tot 24 jaar, die allemaal zorg kregen voor depressieve stoornissen in ziekenhuizen en poliklinieken. Gedurende 30 dagen na behandeling controleerde het team of iemand een zelfmoordpoging had gedaan. Tijdens hun afspraken vulden patiënten een breed scala aan vragenlijsten en interviews in over stemming, angst, slaap, stress, voorgeschiedenis van zelfbeschadiging, familieachtergrond en dagelijkse functioneren, en clinici noteerden medische details zoals opname- of poliklinische status en medicatiegebruik. Deze rijke mix van informatie creëerde een gedetailleerd beeld van ieders leven en symptomen op het moment van behandeling.

Computers leren verborgen patronen te herkennen

De onderzoekers trainden vervolgens verschillende typen machine learning-modellen om te voorspellen wie binnen een maand na behandeling een zelfmoordpoging zou doen. Ze voerden de modellen 102 verschillende informatie-items per patiënt toe en splitsten de groep zodanig dat de meeste patiënten werden gebruikt om de modellen te trainen, terwijl een kleinere, aparte groep werd achtergehouden om te testen hoe goed de modellen werkten op nieuwe gevallen. In plaats van te streven naar maximale complexiteit richtte het team zich op benaderingen die modellen eenvoudiger houden en minder geneigd maken om zich vast te klampen aan toevallige ruis in de gegevens.

Wat de modellen wel en niet konden

Van de zeven geteste benaderingen presteerden twee relatief eenvoudige methoden — zogenaamde support vector machines en elastic net-regressie — het best. Gecombineerd in één ensemblemodel behaalden ze een sterke capaciteit om hogere- van lagere-risicopatiënten te onderscheiden. Het model was bijzonder goed in het identificeren van een kleine subgroep, ongeveer één op de tien patiënten, wiens risico op een zelfmoordpoging meerdere keren hoger was dan dat van de rest van de groep. Tegelijkertijd waren de voorspellingen betrouwbaarder voor het uitsluiten van direct gevaar dan voor het exact aanwijzen van wie daadwerkelijk een poging zou doen, wat betekent dat veel mensen die als hoog risico werden aangemerkt alsnog geen zelfbeschadiging zouden plegen.

Signalen die opvielen in het dagelijks leven

De studie lichtte ook toe welke typen informatie het meest van invloed waren op de beslissingen van de computer. Sommige factoren waren vaststaand, zoals geslacht, opleidingsniveau of een algemene familiegeschiedenis van psychische aandoeningen. Andere factoren waren veranderlijk en nauw verbonden met het dagelijks leven: hoe ernstig iemands depressie was, of ze alcohol gebruikten, hoe trouw ze hun voorgeschreven medicatie innamen, hoe intensief ze piekerden over negatieve gedachten, en hoe hecht en steunend hun familiebanden voelden. Verschillende algoritmen benadrukten iets andere details, maar beide waren het erover eens dat de huidige ernst van depressie centraal staat, wat het belang onderstreept van agressieve symptoombehandeling en het ondersteunen van gezonde routines.

Beperkingen en wat er nu volgt

Ondanks veelbelovende resultaten benadrukken de auteurs dat hun model niet klaar is om op zichzelf klinische beslissingen te sturen. Er deden zich slechts 30 zelfmoordpogingen voor in de studie, wat elk model kwetsbaar maakt, en alle deelnemers kwamen uit één land en grotendeels uit vergelijkbare klinische settings. Het model werd alleen getest over een periode van 18 maanden, dus het is onduidelijk hoe goed het zou standhouden naarmate behandelpraktijken en sociale druk veranderen. Het werk moet daarom worden gezien als een proof of concept: het laat zien dat het combineren van gedetailleerde klinische en levensgegevens met zorgvuldig gekozen machine learning-methoden jonge patiënten zinvol kan indelen naar kortetermijn suïciderisico, en het wijst op specifieke, veranderbare gebieden — zoals depressiesernst, alcoholgebruik, medicatiegewoonten en familieverbondenheid — waar gerichte ondersteuning kan helpen om kwetsbare jongeren veiliger te houden.

Bronvermelding: 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

Trefwoorden: jeugddepressie, suïciderisico, machine learning, risicovoorspelling, screening geestelijke gezondheid