در دهه گذشته، نگرانیهای فزایندهای درباره نرخ بالای خودکشی به وجود آمده است. اکنون، مطالعهای قابل توجه از مرکز پزشکی دانشگاه وندربیلت (VUMC) نوری از امید را به نمایش میگذارد. این مطالعه نشان میدهد که چگونه هشدارهای مبتنی بر هوش مصنوعی (AI) میتوانند به پزشکان در شناسایی بیماران با ریسک بالای خودکشی کمک کنند.
مدل VSAIL: راهی برای شناسایی بیماران پرخطر
تیم تحقیقاتی به رهبری دکتر کالین والش مدل Vanderbilt Suicide Attempt and Ideation Likelihood (VSAIL) را مورد آزمایش قرار داد. این سیستم مبتنی بر هوش مصنوعی به منظور تشویق به غربالگری خطر خودکشی در سه کلینیک نورولوژی VUMC طراحی شده بود.
نتایج این تحقیق، که در ژورنال JAMA Network Open منتشر شده است، نشان داد که هشدارهای مداخلهگر (Interruptive Alerts) – که پزشکان را حین کارشان به طور فعال مطلع میکنند – بسیار مؤثرتر از هشدارهای غیرفعال بودند که صرفاً در پروندههای الکترونیکی بیماران نمایش داده میشد.
هشدارهای مبتنی بر هوش مصنوعی برای خطر خودکشی
این مطالعه دو نوع هشدار مبتنی بر هوش مصنوعی را مقایسه کرد:
- هشدارهای مداخلهگر: این نوع هشدارها حین مشاوره با بیمار به صورت پیامهای پاپآپ ظاهر شده و جریان کاری پزشک را مختل میکنند. این هشدارها پزشک را ملزم میکردند که فوراً به آنها پاسخ دهد و اقدامات لازم را انجام دهد.
- هشدارهای غیرفعال: این هشدارها همان اطلاعات ریسک را در پرونده الکترونیکی بیمار نمایش میدادند، اما پزشک را به اقدام فوری تشویق نمیکردند. این روش از اختلال در کار پزشک جلوگیری میکرد اما به ابتکار پزشک برای مشاهده و عمل بر اساس اطلاعات متکی بود.
مطالعه نشان داد که هشدارهای مداخلهگر بسیار مؤثرتر در تحریک پزشکان برای ارزیابی خطر خودکشی بودند.
تأثیر هشدارهای مداخلهگر در کاهش خطر خودکشی
نتایج مطالعه قابل توجه بود:
- هشدارهای مداخلهگر باعث شد که ارزیابی خطر خودکشی در ۴۲ درصد موارد انجام شود.
- در مقابل، هشدارهای غیرفعال تنها در ۴ درصد موارد منجر به ارزیابی شدند.
دکتر والش توضیح داد:
«بیشتر افرادی که بر اثر خودکشی جان خود را از دست میدهند، در سال قبل از مرگ خود به یک ارائهدهنده خدمات درمانی مراجعه کردهاند، اغلب به دلایلی غیر مرتبط با سلامت روان. اما غربالگری عمومی در همه موارد عملی نیست. ما VSAIL را توسعه دادیم تا به شناسایی بیماران پرخطر کمک کرده و مکالمات غربالگری متمرکز را تسهیل کنیم.»
خودکشی: بحرانی رو به رشد در حوزه سلامت عمومی
نرخ خودکشی در ایالات متحده به طور پیوسته در حال افزایش است و اکنون 14.2 مرگ در هر 100,000 نفر در سال را شامل میشود. خودکشی در حال حاضر یازدهمین علت اصلی مرگ در این کشور است.
تحقیقات نشان دادهاند که ۷۷ درصد از افرادی که بر اثر خودکشی جان میدهند، در سال قبل از مرگ خود به یک ارائهدهنده خدمات اولیه مراجعه کردهاند. این آمار نیاز حیاتی به روشهای بهتر برای شناسایی و حمایت از افراد در معرض خطر را برجسته میکند.
مدل VSAIL پیشرفتی مهم در مقابله با این چالش ارائه میدهد. این مدل از دادههای پروندههای الکترونیکی سلامت برای ارزیابی خطر 30 روزه خودکشی استفاده میکند.
شناسایی بیماران پرخطر
مطالعه جدید شامل 7,732 ویزیت بیمار طی شش ماه بود که منجر به ایجاد ۵۹۶ هشدار خودکشی شد.
این تحقیق در کلینیکهای نورولوژی متمرکز شد، زیرا برخی شرایط نورولوژیکی خطر خودکشی را افزایش میدهند. از میان ویزیتهای بررسیشده، تنها حدود 8 درصد منجر به هشدار شد، که کارایی مدل را در محیطهای کلینیکی شلوغ نشان میدهد.
در پیگیری 30 روزه، هیچیک از بیماران نشانشده گزارشی از افکار یا تلاش برای خودکشی نداشتند. با این حال، تیم تحقیقاتی به معایب احتمالی مانند «خستگی ناشی از هشدار» اشاره کرد، جایی که هشدارهای مکرر میتوانند پزشکان را تحت فشار قرار دهند. مطالعات آینده به بررسی این تعادل خواهند پرداخت.
پیامدهای گستردهتر هشدارهای خودکشی
موفقیت این مطالعه نشان میدهد که سیستمهای مشابه میتوانند در سایر محیطهای پزشکی نیز مفید باشند. با شناسایی انتخابی بیماران پرخطر، مدلهای هوش مصنوعی مانند VSAIL رویکردی قابل اجرا و مؤثر برای پیشگیری از خودکشی ارائه میدهند.
دکتر والش در پایان خاطرنشان کرد:
«سیستم خودکار تنها حدود 8 درصد از کل ویزیتهای بیماران را برای غربالگری نشانگذاری کرد. این رویکرد انتخابی، اجرای تلاشهای پیشگیری از خودکشی را در کلینیکهای شلوغ عملیتر میکند.»
این تحقیق توسط تیمی چندرشتهای از VUMC انجام شد، شامل دکتر مایکل ریپرگر، دکتر لاری نوواک و نویسندگان همکار ارشد، دکتر ویلیام استید و دکتر کوین جانسون. این مطالعه راه را برای مداخلات نوآورانه مبتنی بر هوش مصنوعی که میتوانند جانها را نجات داده و پیشگیری از خودکشی را در سیستم سلامت متحول کنند، هموار میکند.
نتایج این تحقیق در ژورنال JAMA Network Open منتشر شده است.