神经网络可以帮助预测未来的自我危害

用芯片的人工神经网络。

来源:Mikemacmarketing。在CC BY 2.0下授权

根据美国自杀预防基金会的数据，自杀是美国第十大死亡原因，2018年记录的自杀企图超过140万次。虽然对那些有自杀危险的人有有效的治疗方法，但临床医生并没有可靠的方法来预测哪些病人可能有自杀企图。

南卡罗莱纳医科大学(Medical University of South Carolina)和南佛罗里达大学(University of South Florida)的研究人员表示，他们已经朝着解决这一问题迈出了重要的一步，他们创建了一种人工智能算法，可以根据《纽约州立大学学报》的临床记录中的信息，自动识别有故意自残高风险的患者电子健康记录。

The study was led by Jihad Obeid, M.D., co-director of the MUSC Biomedical Informatics Center, and Brian Bunnell, Ph.D., formerly at MUSC and currently an assistant professor in the Department of Psychiatry and Behavioral Neurosciences at the University of South Florida.

球队使用复杂的人工神经网络，一种人工智能形式也被称为深度学习，以分析电子健康记录中的非结构化文本数据。深度学习方法逐步使用人工网络层从原始输入数据中提取更高的信息。研究小组表明，这些模型一旦经过训练，就可以识别出有故意自残风险的患者。奥贝德说:“这种工作很重要，因为它利用了最新的技术来解决像自杀这样的重要问题，并识别有风险的患者，以便他们能够得到适当的管理。”

到目前为止，研究人员主要依赖于电子健康记录中的结构化数据，以识别和预测风险的患者。结构化数据是指已在电子健康记录中输入的列表信息，作为临床护理的一部分。例如，当医生诊断患者并分配疾病（ICD）代码的国际分类时，他们正在创建结构化数据。这种制表的，结构化数据很容易进行计算机程序来分析。

然而，电子健康记录中80%到90%的相关信息被困在文本格式中。换句话说，电子健康记录中的临床记录、进度报告、护理计划记录和其他叙述性文本代表了一个巨大的未开发的研究资源。Obeid的研究是独特的，因为它使用深度神经网络“阅读”电子健康记录中的临床记录，并识别和预测有自我伤害风险的患者。

在监管伦理审查和MUSC机构审查委员会批准了这项研究后，Obeid开始在MUSC的研究数据仓库中识别与ICD代码相关的表明故意自残的患者记录。该仓库由南卡罗莱纳临床与转化研究所(South Carolina Clinical & Translational Research Institute)支持创建，为MUSC研究人员提供访问患者电子健康记录数据的权限，前提是他们获得了必要的许可。

为了模拟真实世界的情景，ObeID和他的团队将临床记录分为两次分类：2012年至2017年记录用于培训模型和2018-2019记录，用于测试训练有素的型号。首先，他们看着在医院访问期间拍摄的临床票据，其中分配了ICD代码。使用作为培训数据集，模型“学习”患者电子医疗记录的临床票据中的语言模式与分配有意自我危害的分配有关。一旦培训型号，他们可以完全识别这些患者，完全基于他们对临床笔记中文本的分析，精度为98.5％。专家手动审查了记录的子集以确认模型的准确性。

接下来，该团队测试了最准确的模型是否可以使用电子健康记录中的临床记录来预测未来的自残行为。为此，Obeid的团队确定了故意自残的患者的记录，并利用他们在故意自残医院就诊前6个月至1个月的临床记录对模型进行训练。然后，他们测试了经过训练的模型是否能正确预测这些患者之后是否会故意自残。

仅仅基于临床记录预测未来的自残比识别当前的高危患者更具挑战性，因为当大量的患者病史被纳入模型时，会引入额外的“噪音”。临床病史记录往往是多种多样的，并不总是相关的。例如，如果一个病人在他或她因故意自残而住院的六个月前因抑郁或其他精神健康问题而就诊，那么临床记录很可能包括相关信息。然而，如果病人是因为与精神健康无关的疾病而来的，那么病历中就不太可能包含相关信息。

虽然不相关信息的加入会给数据分析带来很多干扰，但所有这些信息都必须包含在模型中，以预测结果。因此，该模型在预测哪些患者以后会有故意自残行为方面，比简单地将当前的患者分类为自杀风险方面更不准确。尽管如此，该模型的预测精度与之前报道的依赖结构化数据的模型相比有很大的竞争力，准确率接近80%，且具有较高的灵敏度和精度。

Obeid的团队已经证明，仅根据临床记录，就可以使用深度学习模型来识别有故意自我伤害风险的患者。该研究还表明，模型可以用于预测，具有相当好的保真度，在未来，患者将根据其电子健康记录中的临床记录，提出有意的自残。

这些早期的结果是有前途的，可能对临床水平产生很大的影响。如果深入学习模型可用于预测基于临床票据的临床患者的高风险，那么临床医生可以提前提高高危患者以进行适当的治疗方法。使用这些模型将患者分类为自我危害，也可以促进患有与自杀相关的临床研究和潜在新治疗方法的临床研究和试验。

在未来的研究中，Obeid的目标是评估他的模型的预测时间窗口的变化，例如，查看患者出现故意自残症状前一年的记录，而不是6个月。该小组还打算检验其他结果，如自杀或自杀意念。虽然这些模式在MUSC运作良好，但奥贝德现在必须证明它们可以推广到其他机构。奥贝德问道:“这些模型在一个地方训练，然后转移到另一个地方，还能工作吗?”“如果答案是肯定的，那么这就节省了关键的资源，因为其他机构将不必执行昂贵和耗时的手册图表审查，以确认模型在培训期间是否正确。”

该研究发表于JMIR医学信息学。