Pebmed - Notícias e Atualizações em Medicina
Cadastre-se grátis
Home / Colunistas / Machine learning na previsão de risco de suicídio relacionado ao gênero
mulher, depressiva com risco de suicídio, de costas, com a cabeça baixa, em foto preta e branca

Machine learning na previsão de risco de suicídio relacionado ao gênero

Acesse para ver o conteúdo
Esse conteúdo é exclusivo para usuários do Portal PEBMED.

Tenha acesso ilimitado a todos os artigos, quizzes e casos clínicos do Portal PEBMED.

Faça seu login ou inscreva-se gratuitamente!

Preencha os dados abaixo para completar seu cadastro.

Ao clicar em inscreva-se, você concorda em receber notícias e novidades da medicina por e-mail. Pensando no seu bem estar, a PEBMED se compromete a não usar suas informações de contato para enviar qualquer tipo de SPAM.

Inscreva-se ou

Seja bem vindo

Voltar para o portal

Este artigo de outubro de 2019, publicado no JAMA, utilizou a técnica de machine learning para avaliar o risco de suicídio atribuído ao gênero ao longo de 20 anos em toda a população residente na Dinamarca neste período.

Os debates e pesquisas sobre suicídio vêm aumentando e esta foi apontada como uma das três causas de óbito que têm aumentado nos EUA recentemente. Dessa forma, mais trabalhos têm sido feitos para tentar identificar ou melhorar as chances de predição do risco de suicídio.

Alguns fatores de risco já são conhecidos e estão bem documentados, como a presença de doenças psiquiátricas e/ou clínicas e características sociodemográficas. Contudo, alguns dos instrumentos usados para avaliar esses fatores podem ser questionados, além de possuírem limitações quando o objetivo é identificar com acurácia os pacientes com alto risco.

Machine learning no risco de suicídio

O uso da tecnologia de machine learning, segundo os autores, permite a avaliação de novos perfis de risco que incluem uma série de preditores. Este estudo é inovador ao usar essa tecnologia num estudo populacional tão abrangente. Como o risco de suicídio está relacionado a uma série de fatores demográficos, neste trabalho a opção foi por focar nos fatores que influenciam cada sexo.

A população deste estudo inclui todas as pessoas que nasceram ou residiram na Dinamarca em 1/1/1995, com inclusão das consultas ambulatoriais nos registros. Trata-se de um estudo de coorte e os casos avaliados são os de indivíduos que foram à óbito por suicídio entre 1o de janeiro de 1995 e 31 de dezembro de 2015. A coorte de comparação foi feita com uma subpopulação aleatória de 5% dos moradores da Dinamarca em 1o de janeiro de 1995.

Leia também: Setembro amarelo: estratégias de prevenção ao suicídio

Os dados foram analisados entre novembro de 2018 e maio de 2019. Como todos os residentes dinamarqueses têm acesso a um sistema de saúde universal financiado por impostos, mais de 90% da população do país tem pelo menos 1 contato com o sistema de saúde por ano. Os registros médicos ocorrem em nível nacional, sendo o sistema de dados do país bastante confiável.

Neste trabalho, foram incluídos idade, sexo ao nascimento, o status de imigração, geração da cidadania, a história familiar de comportamento suicida e o estado civil. Detalhes específicos da implementação da técnica de machine learning estão fora do escopo deste trabalho e podem sem encontrados no artigo original.

Contudo, algumas limitações podem ser notadas: a observação de períodos mais longos antes de ato foram mais importantes do que a avaliação de períodos mais curtos (por exemplo, diagnóstico de transtornos mentais que ocorreram 48 meses antes foram mais importantes do que aqueles feitos com seis meses de antecedência). Mas os preditores que ocorreram dias imediatamente antes do ato – e que podem ser importantes (ex: solidão, estresse agudo) – não estavam disponíveis nos registros.

Um desafio para os estudos epidemiológicos sobre suicídio é obter dados sobre o tamanho da amostra necessária para estudar eventos relativamente raros, além de obter dados sobre eventos negativos da vida, o que geralmente não é encontrado em fontes deste tamanho. É provável que fatores de risco a longo prazo associados a estados emocionais e eventos agudos na história de vida interajam para caracterizar de forma mais acurada o risco de suicídio.

A melhor forma de captar fatores de risco de longo prazo e agudos numa grande amostra populacional constitui-se num desafio para a pesquisa epidemiológica. Outra limitação diz respeito à questões relativas ao machine learning (a confiança em apenas dois sistemas: o CART e na floresta randômica).

A tecnologia de machine learning foi utilizada para desenvolver modelos de risco de suicídio relacionados ao gênero usando dados de uma base populacional do sistema nacional de saúde dinamarquês e dos registros sociais. Os muitos fatores preditores foram distribuídos em quatro períodos diferentes e abrangeram dados demográficos, comportamento suicida, doenças mentais, doenças clínicas, história familiar de suicídio e uso de medicação. A técnica derivada do modelo de machine learning destacou preditores e combinações importantes.

Resultados

Dos 14.103 casos de suicídio registrados nesse período, 10.152 foram de homens (72%) e 3.951 (28%) foram mulheres. Ambos os grupos foram comparados com as respectivas coortes. Aqueles que cometeram suicídio eram um pouco mais velhos do que a população da subcoorte, geralmente divorciados e de classe média a alta. Entre homens o maior risco foi encontrado entre aqueles com menos de 30 anos e que foram diagnosticados com esquizofrenia nos últimos dois anos, mas que não receberam tratamento com psicofármacos (antipsicóticos, antidepressivos, tratamento para abuso de substâncias ou sedativos/hipnóticos).

Outra população também sobre risco é a de homens solteiros com mais de 30 anos que foram diagnosticados com algum transtorno relacionado ao estresse nos últimos quatro anos, mas que também não receberam tratamento com psicofármacos. Já no sexo feminino o risco foi maior entre aquelas que fizeram uma tentativa de suicídio nos últimos quatro anos, mas que também não receberam tratamento com psicofármacos. A seguir vem a população feminina que recebeu a prescrição de medicações sedativas ou hipnóticas e foram diagnosticadas com efeitos colaterais das mesmas, envenenamento ou em uso de subdoses destas nos últimos quatro anos antes do suicídio.

De todos os modelos, os transtornos psiquiátricos apareceram como o fator preditor mais importante de suicídio, sendo essa informação consistente com o que já se sabe. Contudo, alguns transtornos específicos que apareceram no estudo são novos. Esquizofrenia e depressão já estão bem estabelecidos como fatores de risco, mas ainda há controvérsia na literatura sobre os transtornos do estresse.

Mais da autora: Lumateperona: nova medicação para o tratamento da esquizofrenia

Neste trabalho, os transtornos do estresse constituíram um importante preditor tanto em homens como em mulheres. O uso de psicofármacos (antidepressivos, antipsicóticos, hipnóticos, sedativos e medicações usadas para tratar adicção) teve uma importante acurácia para predizer o suicídio nesta análise. Mas apesar de os resultados indicarem que a farmacoterapia é importante na prevenção do suicídio, os modelos não puderam esclarecer a direção ou a magnitude dessa associação.

O diagnóstico de doenças clínicas parece contribuir mais para o risco de suicídio em homens do que em mulheres. Já a presença de diagnósticos psiquiátricos associados ao uso de medicações parecem contribuir mais para predizer o risco de em mulheres. É possível que os médicos avaliem e diagnostiquem com mais frequência sintomas de doenças mentais entre as mulheres, enquanto os mesmos sintomas em homens seriam atribuídos à queixas somáticas.

Apesar de décadas de estudo sobre este assunto, sua compreensão continua limitada. O uso de tecnologias, como machine learning, podem permitir o surgimento de modelos capazes de avaliar vários fatores preditores simultaneamente. O que foi encontrado parece ser consistente com o que já se sabe sobre risco de suicídio, possivelmente podendo ser replicado com outros dados e usado para ajudar o desenvolvimento de modelos que sirvam para a população geral.

Autor:

Referência bibliográfica:

  • Gradus JL, Rosellini AJ, Horváth-Puhó E, et al. (2019). Prediction of Sex-Specific Suicide Risk Using Machine Learning and Single-Payer Health Care Registry Data From Denmark. JAMA Psychiatry. doi:10.1001/jamapsychiatry.2019.2905

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Esse site utiliza o Akismet para reduzir spam. Aprenda como seus dados de comentários são processados.

×

Adicione o Portal PEBMED à tela inicial do seu celular: Clique em Salvar na Home Salvar na Home e "adicionar à tela de início".

Esse site utiliza cookies. Para saber mais sobre como usamos cookies, consulte nossa política.