Αξιοποίηση μεγάλων δεδομένων για την πρόληψη της αυτοκτονίας

Χρόνος διαβασματός: 6 λεπτά

Πρόσφατος Δεδομένα CDC δείχνει ότι η αυτοκτονία ήταν η δωδέκατη κύρια αιτία θανάτου στις Ηνωμένες Πολιτείες, με αποτέλεσμα να στοιχίσουν τη ζωή σχεδόν 46.000 ανθρώπων το 2020. Ακόμη πιο ανησυχητικό, στους εφήβους και τους νέους ενήλικες, η αυτοκτονία ήταν η δεύτερη κύρια αιτία θανάτου. Τα τελευταία 20 χρόνια, τα ποσοστά αυτοκτονιών σε εθνικό επίπεδο συνέχισαν να αυξάνονται. Τα δεδομένα λένε μια θλιβερή ιστορία – οι θάνατοι από αυτοκτονίες έχουν αυξηθεί δραματικά τις τελευταίες δύο δεκαετίες, πράγμα που σημαίνει ότι αυτό που κάνουμε για να αποτρέψουμε την αυτοκτονία είναι είτε αναποτελεσματικό είτε όχι τόσο αποτελεσματικό όσο χρειάζεται.

Καθώς η ψηφιακή υγεία αυξάνεται, οι οργανισμοί υγειονομικής περίθαλψης έχουν εξετάσει καινοτόμες μεθόδους για τον εντοπισμό ασθενών με υψηλό κίνδυνο απόπειρας αυτοκτονίας και τη βελτίωση των αποτελεσμάτων των ασθενών. Προχωρημένος μηχανική μάθηση και ανάλυση έχουν αποδειχθεί χρήσιμα εργαλεία για τον εντοπισμό και την πρόληψη της αυτοκτονίας.

Σύγχρονες προσεγγίσεις για την πρόληψη της αυτοκτονίας

ο Πρωτοβουλία Μηδενικής Αυτοκτονίας είναι ένα εθνικό έργο για την προώθηση της οργανωτικής αλλαγής στη φροντίδα και τη διαχείριση των αυτοκτονικών ασθενών. Αυτή η πρωτοβουλία βοηθά τους ασθενείς που βρίσκονται σε κίνδυνο να λάβουν τη φροντίδα που χρειάζονται και να αποτρέψουν την αυτοκτονία. Δεδομένα υποδηλώνει ότι:

• Το 83% των ατόμων που πέθαναν από αυτοκτονία είχαν λάβει υγειονομική περίθαλψη κατά τη διάρκεια του έτους πριν από το θάνατο
• Αλλά μόνο το 25% είχε μια πρόσφατη διάγνωση ψυχικής υγείας

Αυτά τα δεδομένα υποδηλώνουν ότι οι ασθενείς σε κίνδυνο βρίσκονται στο σύστημα, αλλά απλώς δεν αναγνωρίζονται και δεν αντιμετωπίζονται με αποτελεσματική παρέμβαση.

Οι τρέχουσες προσεγγίσεις για τον εντοπισμό ασθενών σε κίνδυνο περιλαμβάνουν έρευνες προσυμπτωματικού ελέγχου και ερωτηματολόγια όπως το ASQ ή το Πρωτόκολλο της Κολούμπια. Αν και εξακολουθούν να είναι χρήσιμα, αυτά τα μέτρα έχουν περιορισμούς ως προς το ότι απαιτούν πόρους, παρέχουν μόνο ένα στιγμιότυπο σημείο σε χρόνο και έχουν αποδειχθεί ότι δεν είναι ιδιαίτερα αποτελεσματικά. Πώς, λοιπόν μπορώ οι πάροχοι υγειονομικής περίθαλψης ελέγχουν καλύτερα και αποτρέπουν τον κίνδυνο αυτοκτονίας;

Πρόληψη αυτοκτονιών χρησιμοποιώντας τη δύναμη των δεδομένων

Οι αναδυόμενες εναλλακτικές προσεγγίσεις περιλαμβάνουν την εφαρμογή αλγορίθμων κινδύνου που αξιοποιούν προϋπάρχοντα κλινικά δεδομένα. Τα προγνωστικά μοντέλα που εκτιμούν τον κίνδυνο αυτοκτονίας των ασθενών χρησιμοποιώντας δεδομένα που είναι διαθέσιμα σε ιατρικούς ισχυρισμούς ή κλινικά αρχεία βοηθούν στον υπολογισμό μιας «βαθμολογίας» κινδύνου ή εκτίμησης του κινδύνου ενός ασθενούς σε σχέση με τον γενικό πληθυσμό. Αυτή η μέθοδος έχει τη δυνατότητα «παθητικού» ελέγχου των ασθενών για κίνδυνο.

Μια ομάδα ερευνητών με επικεφαλής τον Δρ. Robert Aseltine στο UConn Health Services (UCHS) διαπίστωσε ότι ο εντοπισμός του τμήματος ενός πληθυσμού με την υψηλότερη πιθανότητα απόπειρας αυτοκτονίας, χρησιμοποιώντας υπάρχουσες πληροφορίες, έχει το πλεονέκτημα να εστιάζει τους πόρους παρακολούθησης και παρέμβασης σε μικρότερο αριθμό των ατόμων που είναι πιο πιθανό να ωφεληθούν. Με Τα ποσοστά αυτοκτονιών αυξάνονται στο Κονέκτικατ κατά περισσότερο από 32% από το 1990-2019η ομάδα του UCHS έδωσε προτεραιότητα στην εφαρμογή αυτών των νέων και καινοτόμων μοντέλων πρόληψης.

Διάφορες μελέτες από το UCHS μαζί με άλλα συστήματα υγειονομικής περίθαλψης δείχνουν ότι μπορούμε να δημιουργήσουμε χρήσιμα μοντέλα για την αξιολόγηση του κινδύνου αυτοκτονίας. Τα μοντέλα πρόβλεψης ενσωματώνουν σύνολα χαρακτηριστικών που προέρχονται από διαγνώσεις, διαδικασίες και δημογραφικά δεδομένα που είναι συνήθως διαθέσιμα σε κλινικά αρχεία. Επομένως, δεν υπάρχει ανάγκη να επεκταθούν δραματικά τα συστήματα κλινικών πληροφοριών ή να συλλεχθούν πολλά νέα δεδομένα για την επίτευξη ακριβούς πρόβλεψης κινδύνου. Μπορούν να εντοπιστούν κοόρτες υψηλού κινδύνου, με τη δυνατότητα να μειωθεί σημαντικά η πραγματική συχνότητα αυτοκτονίας. Πρόσθετες πληροφορίες—εκτιμήσεις κινδύνου για αυτοκτονία, κοινωνικοί καθοριστικοί παράγοντες υγείας, πεποιθήσεις για την υγεία και συμπεριφορά υγείας—θα μπορούσαν να είναι πολύ χρήσιμες για να γίνουν τα μοντέλα κινδύνου πιο αποτελεσματικά.

Αν και τα ευρήματα της έρευνας ήταν πολλά υποσχόμενα, η αποτελεσματική εφαρμογή αυτών των μοντέλων στην πράξη είναι πρόκληση. Τα περισσότερα από τα μοντέλα έχουν αναπτυχθεί με δεδομένα από ελίτ συστήματα υγείας ή προέρχονται από πολύ ολοκληρωμένες κλινικές βάσεις δεδομένων. Μπορούν επίσης να χρησιμοποιηθούν σε χώρους υγειονομικής περίθαλψης με πιο περιορισμένα δεδομένα, όπως κοινοτικά κέντρα υγείας, κλινικές ψυχικής υγείας, πρακτικές πρωτοβάθμιας περίθαλψης και κλινικές επείγουσας περίθαλψης; Αυτό είναι ένα κρίσιμο ερώτημα, καθώς εκεί λαμβάνει τη φροντίδα του το 95% των ασθενών. Με περισσότερα από 100 διαφορετικά EHR που χρησιμοποιούνται σε διάφορες ρυθμίσεις μόνο στο Κονέκτικατ, η ομάδα του UConn Health Services ήθελε να δημιουργήσει ένα ολοκληρωμένο σύστημα αξιολόγησης κινδύνου αυτοκτονίας που θα μπορούσε να χρησιμοποιηθεί σε περιβάλλοντα φροντίδας.

Αναλύσεις με βάση τον κίνδυνο στην κλινική πράξη

Υπηρεσίες Υγείας UConn‘ πλησιάζω περιλαμβάνει τη συλλογή πληροφοριών από EHR για τη συλλογή παραγόντων κινδύνου και τη μόχλευση προηγμένων μοντέλων μηχανικής μάθησης που συμπυκνώνουν τις πληροφορίες σε κάτι που μπορεί να χρησιμοποιηθεί εύκολα από τους κλινικούς γιατρούς στο σημείο της περίθαλψης. Η UCHS επέλεξε τη Dimensional Insight για να συνεργαστεί μαζί της για να αναπτύξει ένα πρωτότυπο που θα μπορούσε να χρησιμοποιηθεί τόσο ως απόδειξη της ιδέας όσο και για να προσελκύσει ενδιαφέρον και συμμετοχή σε όλο το δίκτυο συστημάτων υγειονομικής περίθαλψης του Κονέκτικατ. Το κοινό έργο μεταξύ της UConn Health Services και της Dimensional Insight υλοποιεί ένα πρωτότυπο που συνδυάζει πληροφορίες EHR, μοντέλα μηχανικής μάθησης και μια προσαρμοσμένη παρουσίαση εμπειρίας χρήστη. Με έμφαση στην απλότητα και τη συνέπεια, η προσέγγιση επιτρέπει επεκτασιμότητα και γρήγορη υλοποίηση.

Το όραμα του πρωτοτύπου ήταν να συλλέξει πληροφορίες σε περιβάλλοντα περίθαλψης -πρωτοβάθμιας περίθαλψης, νοσοκομείου και υγείας συμπεριφοράς- που μπορούν να βοηθήσουν στην πρόβλεψη κινδύνου. Ο στόχος ήταν να γίνουν προσβάσιμες οι πληροφορίες κινδύνου ανεξαρτήτως EHR και να παρουσιαστούν εξελιγμένα αναλυτικά στοιχεία με διαισθητικό και αγνωστικιστικό τρόπο πλατφόρμας. Επιπλέον, το πρωτότυπο δημιουργεί οδηγίες και συστάσεις για παρόχους που είναι χρήσιμες στο πλαίσιο των συναντήσεων ασθενών. Παρέχει στους γιατρούς τα εργαλεία για να εντοπίζουν προληπτικά ασθενείς υψηλού κινδύνου αναλύοντας συνεχώς τα πρόσφατα διαθέσιμα δεδομένα. Επιπλέον, δίνει τη δυνατότητα στους γιατρούς να παρακολουθούν ασθενείς σε κίνδυνο μεταξύ των συναντήσεων με τους παρόχους.

Diver Platform and Measure Factory της Dimensional Insight Οι τεχνολογίες συνέβαλαν καθοριστικά στη δημιουργία του πρωτοτύπου του εργαλείου αξιολόγησης κινδύνου αυτοκτονίας. Παρέχουν την κρίσιμη λειτουργικότητα που απαιτείται για την εξαγωγή, την ενσωμάτωση, τον καθαρισμό και την οργάνωση δεδομένων που προέρχονται από πολλά διαφορετικά EHR. Η πλατφόρμα Diver του Dimensional Insight παρέχει μια απρόσκοπτα ενσωματωμένη, από άκρο σε άκρο διοχέτευση αναλυτικών στοιχείων που μετατρέπει τα ακατέργαστα δεδομένα από ηλεκτρονικά αρχεία υγείας σε χρήσιμες πληροφορίες που μπορούν να χρησιμοποιήσουν οι κλινικοί γιατροί για να ενημερώσουν τις αλληλεπιδράσεις τους με τους ασθενείς. Το Measure Factory επιταχύνει τη διαδικασία εντοπισμού, εφαρμογής και ανάπτυξης των βασικών δεικτών απόδοσης που προσθέτουν πλαίσιο για την ερμηνεία των βαθμολογιών κινδύνου.

συμπέρασμα

Η χρήση αλγορίθμων κινδύνου και προγνωστικών αναλύσεων για τη συμπλήρωση της κρίσης του γιατρού μπορεί να είναι αρχικά προκλητική. Η διασφάλιση ότι τα μοντέλα είναι εύκολα ερμηνεύσιμα και εφαρμόσιμα θα διευκολύνει τους κλινικούς γιατρούς να τα χρησιμοποιήσουν. Καθώς οι κλινικοί γιατροί βλέπουν τη χρησιμότητα τέτοιων μοντέλων στην παροχή αποτελεσματικής θεραπείας και πρόληψης, η αξιοποίηση ψηφιακών πληροφοριών υγείας για τη βελτίωση των αποτελεσμάτων των ασθενών αναμφίβολα θα αυξηθεί.

Η αξιοποίηση εύχρηστων, οπτικά ελκυστικών τεχνολογιών, όπως η πλατφόρμα Diver της Dimensional Insight, θα είναι ένα σημαντικό βήμα για την αύξηση της υιοθέτησης εργαλείων από τους γιατρούς που μπορούν να ενισχύσουν τη λήψη κλινικών αποφάσεων. Το λογισμικό της Dimensional Insight παίζει ισχυρό ρόλο στη διαισθητική παρουσίαση πληροφοριών που προέρχονται από μοντέλα μηχανικής εκμάθησης ανοιχτού κώδικα, καθιστώντας το πιο προσιτό για τους γιατρούς. Όπως αποδεικνύεται από τη συνεργασία μεταξύ της UCHS και της Dimensional Insight, η κορυφαία τεχνολογία αναλυτικών στοιχείων της Diver Platform την καθιστά το σωστό εργαλείο για την υποστήριξη της λήψης αποφάσεων από τους γιατρούς. Ως σύστημα βελτιστοποιημένο για την παροχή αποτελεσμάτων, η πλατφόρμα μπορεί να βοηθήσει αποτελεσματικά στη μετατροπή των δεδομένων ΗΜΥ σε ένα ουσιαστικό εργαλείο για την αξιολόγηση του κινδύνου αυτοκτονίας.

Καθώς οι καινοτομίες στην ψηφιακή υγεία προχωρούν γρήγορα, μια νέα εποχή ανίχνευσης κινδύνου αυτοκτονίας βρίσκεται στον ορίζοντα. Οι αλγόριθμοι κινδύνου αυτοκτονίας με καλές προγνωστικές ικανότητες μπορούν να βοηθήσουν στη συμπλήρωση της κρίσης των κλινικών γιατρών. Η χρήση προηγμένης μηχανικής μάθησης θα είναι ένα ζωτικό εργαλείο στο μέλλον για την παρακολούθηση του κινδύνου αυτοκτονίας και τη διάσωση ζωών ασθενών.

Επιπρόσθετοι πόροι

Χρειάζεστε βοήθεια? Γνωρίζετε κάποιον που το κάνει; Καλέστε ή στείλτε μήνυμα στον δωρεάν 988 Suicide and Crisis Lifeline εάν αντιμετωπίζετε δυσφορία που σχετίζεται με την ψυχική υγεία ή ανησυχείτε για ένα αγαπημένο σας πρόσωπο που μπορεί να χρειαστεί υποστήριξη σε περιπτώσεις κρίσης. Επισκεφτείτε το 988 Suicide and Crisis Lifeline για περισσότερες πληροφορίες στο 988lifeline.org.

Η Lindsay Goldfarb είναι Διευθύντρια του Healthcare Marketing στη Dimensional Insight. Ειδικεύεται στη στρατηγική μάρκετινγκ υγειονομικής περίθαλψης για τη διαφήμιση, το περιεχόμενο και τις δημόσιες σχέσεις. Πριν από την ένταξή της στην Dimensional Insight, έχει εργαστεί στο Massachusetts Health & Hospital Association, στο Brigham & Women’s Hospital και στο Center for Social Innovation. Η Lindsay είναι κάτοχος πτυχίου από το Smith College και MPH από το Πανεπιστήμιο της Βοστώνης.

Τελευταίες δημοσιεύσεις από τη Lindsay Goldfarb (Προβολή όλων)