¿Se puede predecir el suicidio a partir de los registros de los pacientes?

Un nuevo estudio demuestra que un modelo informático predictivo puede identificar a los pacientes en riesgo de intentar suicidarse a partir de patrones en sus registros médicos electrónicos, un promedio de dos años antes de tiempo.

Tales modelos podrían potencialmente alertar a los profesionales de la salud antes de una visita, ayudando a los pacientes a obtener las intervenciones adecuadas, dicen los investigadores del Boston Children's Hospital y del Massachusetts General Hospital.

Los hallazgos se publican en Red JAMA abierta.

“Las computadoras no pueden reemplazar a los equipos de atención en la identificación de problemas de salud mental. Pero creemos que las computadoras, si están bien diseñadas, podrían identificar a los pacientes de alto riesgo que actualmente pueden pasar desapercibidos para el sistema de salud ”, dijo Ben Reis, Ph.D., director del Predictive Medicine Group, parte de el Programa de Informática de Salud Computacional (CHIP) del Boston Children's Hospital, y coautor principal del artículo.

“Imaginamos un sistema que podría decirle al médico, 'de todos sus pacientes, estos tres entran en una categoría de alto riesgo. Tómate unos minutos más para hablar con ellos '”.

Para el estudio, los investigadores analizaron datos de registros médicos electrónicos de más de 3.7 millones de pacientes de entre 10 y 90 años en cinco sistemas de atención médica diversos de EE. UU.: Partners HealthCare System en Boston; Centro Médico de Boston; Hospital de Niños de Boston; El Centro Médico Wake Forest en Carolina del Norte; y el Centro de Ciencias de la Salud de la Universidad de Texas en Houston.

Los diferentes centros disponían de datos de entre 6 y 17 años, incluidos códigos de diagnóstico, resultados de pruebas de laboratorio, códigos de procedimientos médicos y medicamentos.

Los registros revelaron un total de 39.162 intentos de suicidio. Los modelos pudieron detectar el 38 por ciento de ellos (esto varió del 33 al 39 por ciento en los cinco centros) con una especificidad del 90 por ciento. Los casos se detectaron una media de 2,1 años antes del intento de suicidio real (rango, 1,3 a 3,5 años).

Los predictores más fuertes, como era de esperar, incluyeron intoxicaciones por drogas, dependencia de drogas, intoxicación aguda por alcohol y varias afecciones de salud mental. Pero otros predictores fueron los que normalmente no se me ocurren, como rabdomiólisis, celulitis o abscesos en la mano y medicamentos contra el VIH.

"No había un solo predictor", dice Reis. "Es más una gestalt o un balance de evidencia, una señal general que se acumula con el tiempo".

El equipo desarrolló el modelo en dos pasos, utilizando un enfoque de aprendizaje automático. Primero, mostraron la mitad de los datos de sus pacientes a un modelo de computadora, dirigiéndolo a encontrar patrones que estaban asociados con intentos de suicidio documentados.

A continuación, tomaron las lecciones aprendidas de ese ejercicio de “capacitación” y las validaron utilizando la otra mitad de sus datos; pedirle al modelo que prediga, basándose únicamente en esos patrones, qué pacientes eventualmente intentarían suicidarse.

En general, el modelo funcionó de manera similar en los cinco centros médicos, pero la reentrenamiento del modelo en los centros individuales produjo mejores resultados.

“Podríamos haber creado un modelo para todos los centros médicos, usando los mismos códigos”, dijo Yuval Barak-Corren, M.D., de CHIP, primer autor del artículo. "Pero elegimos un enfoque que crea automáticamente un modelo ligeramente diferente, diseñado para adaptarse a las particularidades de cada centro de atención médica".

El suicidio es ahora la segunda causa más común de muerte entre los jóvenes estadounidenses. Los suicidios fatales aumentaron un 30 por ciento entre 2000 y 2016, y solo en 2016 se produjeron 1.3 millones de intentos de suicidio no fatales.

Los hallazgos confirman el valor de adaptar el modelo a cada sitio, ya que los centros de salud pueden tener factores predictivos únicos, basados ​​en diferentes prácticas de codificación de hospitales y patrones demográficos y de salud locales.

Fuente: Boston Children's Hospital