UI pomaga pri odkrivanju tveganja za samomor pri otrocih
Tradicionalne metode spremljanja otrok v nujni medicinski pomoči lahko spregledajo več otrok, pri katerih obstaja nevarnost samopoškodovanja. Umetna inteligenca pa lahko pomaga zdravstvenim delavcem pri natančnejših ocenah.
Primer Belgijca, ki se je domnevno odločil končati svoje življenje po spodbudi klepetalnega robota z umetno inteligenco je zaskrbljujoč. To je privedlo do raziskav, ki so pokazale, da bi lahko strojno učenje namesto tega uporabili za preprečevanje samomora med mladimi.
Prejšnji teden so raziskovalci univerze UCLA Health v reviji JMIR Mental Health objavili recenzirano študijo. Študija dokazuje, da je strojno učenje sposobno zaznati znake samopoškodovanja pri otrocih. Prekaša obstoječe podatkovne sisteme, ki jih uporabljajo zdravstveni delavci.
Poročilo UNICEF-a iz leta 2021 poudarja, da je samomor eden glavnih vzrokov smrti mladih posameznikov v Evropi. Ocenjuje se, da devet milijonov otrok, starih od 10 do 19 let, živi z duševnimi motnjami. Več kot polovica teh primerov sta anksioznost in depresija.
V Združenih državah Amerike je približno 20 milijonov mladih z diagnozo duševne motnje. To statistiko je navedlo ameriško ministrstvo za zdravje in socialne zadeve.
Raziskovalci univerze UCLA Health so podrobno pregledali klinične zapiske 600 obiskov otrok, starih od 10 do 17 let, na urgenci. Namen študije je bil ugotoviti, kako učinkovito lahko sedanji sistemi za ocenjevanje duševnega zdravja prepoznajo kazalnike samopoškodovanja. Poleg tega so poskušali oceniti tveganje za samomor.
Študija je pokazala, da 29 odstotkov otrok, ki so obiskali urgentni oddelek z mislimi ali dejanji samopoškodovanja, ni bilo prepoznanih v kliničnih zapiskih. Metoda, ki se v ZDA uporablja za opozarjanje na ogrožene paciente, znana kot “glavna pritožba”, 54 odstotkov takih pacientov ni zaznala.
V primerih, ko zdravstveni strokovnjaki niso prepoznali znakov samopoškodovanja ali samomorilnih teženj, je bilo to pogosto posledica dejstva, da otroci običajno ne izražajo teh misli. In vedenja med svojim prvim obiskom na oddelku za nujne primere.
ML modeli izboljšujejo odkrivanje tveganja samomora otrok
Tudi pri kombinaciji obeh običajnih metod je študija pokazala, da je bilo 22 odstotkov ogroženih otrok še vedno spregledanih. Raziskava je pokazala, da je bilo pri dečkih v primerjavi z deklicami večja verjetnost, da bodo spregledani. Temnopolti in latinskoameriški otroci so bili pogosteje spregledani kot njihovi beli vrstniki.
Izvajanje modelov strojnega učenja pokazalo obetavne rezultate.
Razviti so bili trije modeli strojnega učenja. Preučili so različne dejavnike: predhodno zdravstveno oskrbo, zdravila, kraj bivanja in rezultate laboratorijskih preiskav. Cilj je bil oceniti verjetnost samomorilnih ali samopoškodovalnih misli in dejanj. Študija je pokazala, da so bili vsi trije modeli pri prepoznavanju ogroženih otrok učinkovitejši od tradicionalnih metod.
Tradicionalna sposobnost napovedovanja otrokovih nagnjenj k samomoru ali samopoškodovanju je bila nezadostna. Juliet Edgcomb, glavna avtorica študije, je izjavila. Poudarila je, da se je treba osredotočiti na izboljšanje zmožnosti odkrivanja in ne hiteti z napovedovanjem.
V študiji je bilo tudi ugotovljeno, da so modeli strojnega učenja sicer povečali verjetnost lažno pozitivnih rezultatov, kar pomeni, da so prepoznali ogrožene otroke, ki to dejansko niso bili. Edgcomb je menil, da je to bolj sprejemljiv rezultat kot to, da bi popolnoma zgrešili veliko otrok, ki potrebujejo pomoč.