Udoskonalanie spersonalizowanego przewidywania ryzyka samobójstwa u pacjentów VA poprzez integrację dyskretnych modeli przetwarzania języka naturalnego

Dlaczego to badanie ma znaczenie

Samobójstwa wśród weteranów to palący problem zdrowia publicznego, a nasze najlepsze narzędzia predykcyjne wciąż nie wychwytują wielu osób zagrożonych, zwłaszcza tych, którzy nie wydają się być w oczywistym niebezpieczeństwie. Badanie sprawdza, czy komputery mogą wydobyć więcej informacji z zapisów medycznych weteranów, aby lepiej wykrywać osoby potrzebujące pomocy, ze szczególnym uwzględnieniem tych zaklasyfikowanych obecnie jako niskie lub umiarkowane ryzyko.

Wyjście poza zwykłe liczby

Departament ds. Weteranów USA (VA) już używa systemu REACH-VET do sygnalizowania weteranów o najwyższym ryzyku samobójstwa. REACH-VET opiera się na „uporządkowanych” informacjach, które dobrze mieszczą się w tabelach, takich jak rozpoznania, przebyte hospitalizacje czy zgłaszanie myśli samobójczych. Choć podejście to jest skuteczne, działa najlepiej dla pacjentów często korzystających z usług VA i generujących dużo takich danych. Weterani z mniejszą liczbą wizyt lub których problemy nie są w pełni uchwycone w polach wyboru i kodach mogą zostać przeoczeni mimo rzeczywistego zagrożenia.

Przekształcanie notatek lekarzy w użyteczne sygnały

Wiele tego, co klinicyści wiedzą o pacjencie, znajduje się w notatkach wolnego tekstu, a nie w uporządkowanych polach. Badacze sięgnęli do tych notatek — sporządzonych w okresie 5 do 30 dni przed śmiercią u weteranów, którzy popełnili samobójstwo, oraz w tym samym przedziale czasowym dla dobranych porównawczo weteranów, którzy nie zmarli — aby sprawdzić, czy wzorce językowe mogą poprawić przewidywanie ryzyka. Porównali dwa sposoby przetwarzania tekstu. Jeden to metoda „semantyczna”, zaczynająca od słowników opracowanych przez ekspertów obejmujących pojęcia takie jak więzi rodzinne, przyjemność czy negatywne uczucia. Druga to metoda „liczenia”, która po prostu zlicza, jak często pojawiają się konkretne słowa lub krótkie frazy, pozwalając danym ujawnić wzorce bez wcześniejszych założeń.

Łączenie dwóch spojrzeń na język

Z tych składników zespół zbudował modele uczenia maszynowego, które miały odróżnić weteranów, którzy popełnili samobójstwo, od podobnych weteranów, którzy tego nie zrobili, oddzielnie w trzech grupach: wysokie, umiarkowane i niskie przewidywane ryzyko według REACH-VET. Stworzono modele używające wyłącznie cech semantycznych, wyłącznie zliczeń słów oraz hybrydy obu podejść. Aby uczciwie połączyć obie metody tekstowe, model dopasowano tak, by cechy semantyczne, których jest mniej, miały nadal szansę wpływać na decyzje obok znacznie liczniejszych cech opartych na zliczeniach. Wydajność mierzono standardową metryką, która w istocie pyta, jak często model przypisuje wyższy wynik ryzyka osobie, która popełniła samobójstwo, niż dobranej osobie, która tego nie zrobiła.

Co odkryły modele

We wszystkich trzech grupach ryzyka modele oparte wyłącznie na zliczeniach słów na ogół przewyższały modele korzystające jedynie ze słowników semantycznych. Jednak najbardziej udane modele dla weteranów w umiarkowanych i niskich progach REACH-VET były hybrydami silnie opartymi na zliczeniach słów, które jednocześnie czerpały pewne informacje z miar semantycznych. Modele te przyniosły umiarkowane poprawy względem samego REACH-VET, z największymi usprawnieniami dla weteranów początkowo oznaczonych jako niskie ryzyko, którzy mieli też zwykle mniej kontaktów medycznych i mniej uporządkowanych danych. Wzorce językowe istotne dla przewidywania różniły się między grupami: notatki o wysokim ryzyku podkreślały ostre problemy ze zdrowiem psychicznym, notatki o umiarkowanym ryzyku akcentowały procesy opieki, a notatki o niskim ryzyku skupiały się na ogólnych tematach medycznych i rehabilitacyjnych oraz na oznakach więzi społecznych lub jej braku.

Implikacje dla opieki i zapobiegania

Wyniki sugerują, że nieuporządkowany tekst w elektronicznych dokumentacjach zdrowotnych zawiera cenne wskazówki, które mogą doprecyzować szacunki ryzyka samobójstwa, zwłaszcza dla osób nie będących już w kategorii najwyższego ryzyka. Poprzez połączenie prostych wzorców zliczania słów z bardziej teoretycznymi sygnałami semantycznymi i dostosowywanie modeli do różnych progów ryzyka, systemy ochrony zdrowia mogą być w stanie wcześniej wykrywać zagrożonych weteranów i projektować interwencje dopasowane do ich poziomu i rodzaju ryzyka. Dla pacjentów o niższym ryzyku może to oznaczać mniej inwazyjne wsparcie, takie jak automatyczne przypomnienia, skierowania do programów wsparcia rówieśniczego lub wellbeing, czy rutynowe omówienie wyzwań społecznych i emocjonalnych podczas zwykłych wizyt.

Co to znaczy dla weteranów i klinicystów

Mówiąc wprost, badanie pokazuje, że zwracanie uwagi na to, jak klinicyści opisują swoich pacjentów — obok tradycyjnych danych medycznych — może uczynić narzędzia przewidywania samobójstw bardziej czułymi na weteranów, którzy w innym wypadku mogliby przepaść między szczelinami. Choć zyski są umiarkowane, a podejście wymaga dalszego testowania w rzeczywistych warunkach klinicznych, stanowi to konkretny krok w kierunku bardziej spersonalizowanej, opartej na danych prewencji samobójstw, służącej nie tylko tym w oczywistym kryzysie, lecz także tym, których ryzyko jest cichsze, bardziej złożone i trudniejsze do zauważenia.

Cytowanie: 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

Słowa kluczowe: ryzyko samobójstwa weteranów, elektroniczne dokumentacje medyczne, przetwarzanie języka naturalnego, modele przewidywania ryzyka, opieka zdrowia psychicznego