Att använda multimodal maskininlärning för att exakt identifiera risk för partnervåld

Varför dolda varningstecken spelar roll

Våld i en romantisk relation hålls ofta hemligt, även för de läkare som ser skadorna det orsakar. Samtidigt lagrar medicinska journaler tyst år av ledtrådar: upprepade akuta vårdbesök, vissa skademönster och anteckningar om smärta eller ångest. Denna studie undersöker om datorer kan läsa dessa tecken tidigare och mer tillförlitligt än dagens enkla screeningsfrågor, så att kvinnor i riskzonen för partnervåld kan erbjudas hjälp långt innan en kris uppstår.

Att göra vardaglig vård till ett tidigt varningssystem

Forskarna använde elektroniska journaler från två stora amerikanska sjukhus och fokuserade på kvinnor som antingen hade registrerat sig i ett insatsprogram mot familjevåld eller hade medicinska diagnoser relaterade till partnervåld. För varje sådan kvinna valde de liknande patienter i samma åldersgrupp och med liknande bakgrund som inte hade dokumenterat våld, och skapade därigenom en noggrant matchad kontrollgrupp. Från 2017 och framåt bidrog varje möte dessa patienter hade med sjukhussystemet med data—diagnoser, läkemedel, bilddiagnostik, vitala parametrar, akuta vårdbesök och kliniska anteckningar som röntgensvar eller socialarbetaröversikter.

Att lära datorer att läsa siffror och berättelser

Teamet byggde tre typer av prediktiva modeller, vardera avsedd för olika nivåer av datarikedom i verkliga kliniker. En modell använde endast strukturerad information, som diagnosesymboler, föreskriftslistor och antal av vissa bilddiagnostiska undersökningar. En andra modell förlitade sig endast på löpande text i anteckningarna, som konverterades till numeriska representationer med moderna medicinska språkmodeller tränade på miljontals kliniska meningar. Den tredje, en ”fusions”-modell, kombinerade båda källorna: den destillerade mönster från tabellerna och från texterna och matade sedan den sammanslagna informationen in i en maskininlärningsklassificerare. Alla modeller tränades för att besvara en daglig fråga vid varje sjukhuskontakt: visar denna patient tecken på att hon kan utsättas för partnervåld?

Hur bra risksignalerna fungerade

När modellerna testades på kvinnor som inte användes under träningen kunde alla tre skilja de med känd utsatthet från deras matchade kontroller med hög noggrannhet. Prestandan sammanfattas av en metric som kallas AUC, där 1,0 är perfekt och 0,5 inte bättre än slumpen. Tabellmodellen nådde en AUC på cirka 0,85, anteckningsmodellen omkring 0,87 och den kombinerade fusionsmodellen cirka 0,88. Viktigt är att dessa resultat höll i sig när modellerna tillämpades på nya grupper: kvinnor som anmälde sig till insatsprogrammet under senare år, kvinnor på ett andra sjukhus inom samma nätverk och kvinnor med våldsrelaterade diagnoser som aldrig gick in i ett specialiserat program. I samtliga fall höll fusionsmodellen sig över en AUC på 0,8, vilket tyder på att kombinationen av siffror och text gör systemet både träffsäkert och stabilt över olika miljöer.

Att se mönster år innan kvinnor söker hjälp

Utöver att skilja fall från kontroller identifierade modellerna ofta problem långt innan kvinnor avslöjade våld för specialister. Genom att jämföra det första datumet då modellen flaggade hög risk med det datum då en kvinna gick in i insatsprogrammet fann forskarna genomsnittliga ”förskjutningstider” på mer än tre år, med många fall flaggade över fyra eller fem år i förväg. Den kombinerade modellen identifierade en större andel av framtida våldsfall i ett tidigt skede, medan tabellmodellen ibland gav något längre förvarning för de fall den väl detekterade. En analys av de strukturerade variablerna framhävde riskmönster som stämmer överens med tidigare klinisk forskning: frekventa akuta vårdbesök, vissa bilddiagnostiska studier av övre extremiteter, hög användning av smärtstillande, psykiatriska diagnoser och tecken på social utsatthet kopplades alla till högre förutsagd risk, medan rutinmässiga preventivundersökningar som mammografi tenderade att förknippas med lägre risk.

Använda riskscorer utan att ta bort kontroll

Författarna betonar att dessa verktyg inte är avsedda att ”diagnosticera” våld eller åsidosätta en kvinnas egen röst. Istället föreställer de sig modellerna körandes diskret i bakgrunden i journalsystemen och erbjuder kliniker en privat riskscore som kan uppmuntra varsamma, trauma-informerade samtal och snabba remisser till socialt och juridiskt stöd. De varnar också för att data endast speglar kvinnor vars utsatthet dokumenterats eller som sökt hjälp, vilket innebär att vissa grupper fortfarande är underrepresenterade. Innan en bred utrullning måste sjukhusen pröva prestandan i mer generella populationer, övervaka för bias och utforma noggranna skyddsåtgärder så att flaggade scorer leder till medkännande erbjudanden om hjälp—inte till påtryckningar eller förlorad autonomi. Användt på detta sätt kan multimodal maskininlärning förvandla vardagliga medicinska möten till en tidigare och mer tillförlitlig väg till säkerhet för personer som utsätts för våld i hemmet.

Citering: Gu, J., Carballo, K.V., Ma, Y. et al. Leveraging multimodal machine learning for accurate risk identification of intimate partner violence. npj Womens Health 4, 15 (2026). https://doi.org/10.1038/s44294-025-00126-3

Nyckelord: partnervåld, elektroniska journaler, maskininlärning, multimodala data, tidig riskdetektion