Suïcidaal gedrag blijft lastig te voorspellen, ook met machine learning

Facebooktwitterlinkedinmail

18 februari 2022 – Kan je suïcidaal gedrag voorspellen met behulp van zelflerende algoritmes? Er zijn mogelijkheden, maar ook kans op fouten. Uit een overzichtsstudie gepubliceerd in The Lancet Psychiatry blijkt dat machine learning bij suïcidepreventie nog in de kinderschoenen staat.

In de zorg wordt steeds vaker gebruikgemaakt van zelflerende algoritmes. Zo kunnen deze complexe computerberekeningen aan de hand van data nauwkeurig voorspellen waar een tumor in het lichaam zit of wat het optimale moment is om een patiënt op de intensive care te ontslaan. Er zijn verschillende studies die laten zien dat je machine learning kan inzetten om suïcidaliteit te voorspellen. Toch maken zelfs de beste algoritmes relatief veel (vals positieve) fouten. Ook het daadwerkelijk voorkomen van suïcidaal gedrag met behulp van algoritmes staat nog in de kinderschoenen.

Dat blijkt uit een overzichtsstudie van het Trimbos-instituut, Altrecht, de Vrije Universiteit Amsterdam (VU) en de universiteiten van Manchester en Leuven. Op verzoek van het wetenschappelijk medisch tijdschrift The Lancet Psychiatry schreef het Trimbos-instituut samen met de vier andere partners een overzichtsartikel met de laatste stand van zaken over machine learning: een verzamelnaam voor zelflerende algoritmes.

Zelfrijdende auto’s
Zelflerende algoritmes zijn complexe rekenregels die voorspellingen kunnen maken en patronen herkennen aan de hand van grote bergen data zonder dat een programmeur die relaties expliciet heeft geprogrammeerd. Dankzij machine learning kunnen auto’s bijvoorbeeld zelfstandig rijden en kunnen bedrijven gepersonaliseerde aanbiedingen doen.

Kan je suïcidaal gedrag voorspellen?
De afgelopen jaren zijn er verschillende studies verschenen die machine learning toepasten om suïcidaal gedrag te voorspellen. Die toepassingen zijn een eerste stap in het automatisch screenen van patiënten, bijvoorbeeld door huisartsen. Op die manier kan een algoritme artsen helpen om bijvoorbeeld suïcidaliteit te bespreken bij patiënten met een hoog risico. Toch blijft het lastig om suïcidaal gedrag te voorspellen, omdat het een gevolg is van complexe interacties tussen vele mogelijke factoren (omgevingsfactoren, sociale factoren, psychologische factoren, etc.). In wat voor omgeving is iemand opgegroeid? Is er een verhoogde kans op depressie? Heeft iemand ingrijpende gebeurtenissen meegemaakt?

Het blijkt mogelijk om via machine learning die complexe samenhang mee te nemen en daarmee de voorspelling te verbeteren. Toch blijft het voorspellen van suïcidaal gedrag lastig, omdat het relatief weinig voorkomt. Zelfs het beste algoritme maakt veel (vals positieven) fouten.

Daarnaast vraagt de vertaling van de uitkomst van een algoritme naar preventie nog aandacht. Wat heeft een behandelaar eraan wanneer we een suïcide kunnen voorspellen op basis van registratiedata met een nauwkeurigheid van 80 procent. Hoe interpreteer je dit resultaat en hoe vertaal je de uitkomst van een voorspelling naar de praktijk? Hoe zou de toepassing eruit moeten zien?

In het overzichtsartikel in The Lancet Psychiatry lichten we de meest gebruikte termen binnen machine learning toe en bespreken verschillende relevante thema’s. Denk onder meer aan de kwaliteit van de data en de ethische uitdagingen die machine learning met zich meebrengt. Bovendien geven we een set aanbevelingen om machine learning daadwerkelijk te gebruiken om suïcidaal gedrag te voorspellen. Daarin bespreken we onder meer dat machine learning alleen zin heeft als er niet alleen aandacht is voor signalering, maar ook voor zorgtrajecten na het voorspellen van suïcidaal gedrag. Zo hopen we een bijdrage te leveren aan de steeds sneller gaande ontwikkelingen rondom big data, machine learning en suïcidepreventie.­

Kernpunten

  • Omdat suïcidaal gedrag relatief weinig voorkomt zal zelfs het beste algoritme (vals positieve) fouten maken.
  • De manier waarop suïcidaal gedrag wordt geregistreerd, kan enorm verbeterd worden.
  • De bestaande data kan verrijkt worden met bijvoorbeeld data van mobiele telefoons.
  • Investeer niet alleen in het voorspellen, maar ook in het voorkomen van suïcidaal gedrag.
  • Betrek patiënten en behandelaren bij de doorontwikkeling van de uitkomsten van machine learning naar toepassingen in de praktijk.

Leergang machine learning in praktijk
Het Trimbos-instituut biedt aan GGZ professionals die (willen) werken met hun eigen data een leergang van vijf dagen in een periode van vijftien weken aan. U leert daar concreet een machine learning-project op te zetten en uit te voeren. Meer informatie:

Leergangen: Machine Learning in de (klinische) praktijk – Trimbos-instituut

Praten over zelfmoordgedachten kan anoniem: chat via www.113.nl, bel 113 of bel gratis 0800-0113.

Bron: trimbos.nl

 

Dit bericht is 1400 keer gelezen.

Facebooktwitterlinkedinmail