A IA pode combater a crise de saúde mental?

Tempo de leitura: 5 minutos, 30 segundos

No último ano, vimos colegas próximos que enfrentam crises mentais, um colega empresário que cometeu suicídio e a história de um amigo que trabalha na clínica de saúde mental que testemunhou o suicídio de um estudante ao telefone devido ao colapso do serviço. Como é algo próximo à IA da Arkangel, queríamos abordá-lo neste artigo, lançando alguma luz sobre os desafios futuros e algumas ideias sobre como resolvê-los.

Quase 1 bilhão de pessoas vivem com um transtorno mental hoje.

Ao construirmos e liderarmos uma empresa de tecnologia da saúde, percebemos que não falamos o suficiente sobre saúde mental. Comecei a aprender e descobri que 2 em cada 3 pessoas com transtorno mental não seja tratado nos Estados Unidos. Hoje, cerca de 48% da sua equipe tem teve problemas de saúde mental em seu trabalho. E 57% das pessoas com doença mental não recebem tratamento em um determinado ano.

Lacunas no atendimento

Os hospitais de hoje são desafiados devido ao aumento das crises de saúde mental. Um relatório da OMS mencionou que a prevalência global de ansiedade e depressão [aumentou em 25%] (https://www.who.int/news/item/02-03-2022-covid-19-pandemic-triggers-25-increase-in-prevalence-of-anxiety-and-depression-worldwide#:~:text=Wake-up ligue para todos, serviços e suporte de saúde mental&text=No primeiro ano da Organização da Saúde (OMS) hoje.) no ano seguinte à COVID-19. O que é realmente preocupante é que o relatório mostra que essa crise está afetando mais os jovens, pois eles estão “[desproporcionalmente em risco de comportamentos suicidas e de automutilação] (https://www.who.int/news/item/02-03-2022-covid-19-pandemic-triggers-25-increase-in-prevalence-of-anxiety-and-depression-worldwide#:~:text=Wake-up ligue para todos, serviços e suporte de saúde mental&text=No primeiro ano da Organização da Saúde (OMS) hoje.)”. Pessoas como nós e nossos amigos.

Pessoas com crises mentais são duas vezes tem probabilidade de desenvolver diabetes tipo 2 e 3 a 5 vezes mais propensos a sofrer um derrame. Felizmente, notamos um aumento no interesse em melhorar no final de 2021, mas hoje ainda há um demanda crescente para serviços de saúde mental juntamente com a escassez de pessoal qualificado.

Como acontece com qualquer condição médica, a detecção precoce é fundamental tanto para a redução de custos quanto para melhores resultados para os pacientes. Há muitas evidências que mostram como podemos prever eventos críticos associados a várias condições, que vão desde a readmissão hospitalar até a hipertensão e o diabetes (Você pode ver aqui, aqui, aqui, e aqui).

O problema é que a revisão manual dos registros dos pacientes é simplesmente impraticável para profissionais de saúde mental devido ao grande volume de pontos de dados que precisam ser considerados. O tratamento oportuno pode evitar a exacerbação dos sintomas que levam a tais crises e subsequente hospitalização. Além disso, já sabemos que para cada $1 investido em saúde mental, apoie retorna $4 na melhoria da saúde e da produtividade.

Uma solução

Em um estudo recente publicado no Revista Nature Medicine, pesquisadores avaliaram a eficácia do aprendizado de máquina na previsão de crises de saúde mental.

Uma equipe de pesquisadores desenvolveu um modelo de IA para prever crises de saúde mental em um período de 28 dias no futuro. O objetivo era estimar o risco de uma crise de saúde mental, otimizar a alocação da equipe de saúde e evitar a crise.

A premissa é que temos padrões nos dados que podem prever futuras crises de saúde mental nos Registros Médicos Eletrônicos (EHR), apesar do ruído e dos erros.

Conjunto de dados

A equipe usou um conjunto de dados do Fundo da Fundação NHS de Saúde Mental de Birmingham e Solihull coletado ao longo de 7 anos (2012-2018), incluindo:

• 17.122 pacientes com idade entre 16 e 102 anos contendo 5.816.586 registros.
• O conjunto de dados teve 60.388 crises com uma média de 24 eventos por episódio.
• Eles incluíram apenas pacientes: que tiveram pelo menos 2 episódios de crise em seus registros médicos para torná-los adequados para as fases de treinamento e teste. Com mais de 3 meses de registros no EHR para tornar seu histórico suficiente para que o algoritmo aprendesse.

A meta de previsão:

Figura 1 do artigo: Exemplo de cronograma de um episódio de crise: o início da crise é o primeiro evento de crise de um episódio de crise que segue uma semana estável (ou seja, uma semana sem eventos de crise).

• Eles rotulam o evento como uma “crise” quando um paciente precisou de um dos seguintes serviços urgentes de crise de saúde mental em uma determinada semana: avaliação de emergência, internação hospitalar, avaliação de tratamento domiciliar e hospitalização.
• A janela de previsão de 28 dias foi selecionada devido ao alinhamento com a abordagem orientada a serviços da confiança.

As 8 variáveis mais preditivas

Eles se apresentaram Cálculos do valor SHAP para encontrar as variáveis mais preditivas e obter estas:

1. Semanas desde a última crise
2. Nunca foi hospitalizado
3. Número de episódios de crise
4. Número de anos desde a primeira visita
5. Semanas desde a última consulta perdida
6. Idade
7. Não diagnosticado
8. F6 Transtornos da personalidade e do comportamento do adulto

O melhor algoritmo

Eles treinaram vários modelos e descobriram que:

1. O XGBoost mostrou a maior precisão em diferentes métricas, seguido por
2. Redes neurais,
3. Floresta aleatória,
4. Regressão logística.

Resultados

Eles compararam o modelo com dois classificadores de linha de base: um modelo de linha de base baseado na prática clínica (árvore de decisão) para emular as decisões de um médico para avaliar o risco de recaída e uma regressão logística baseada no diagnóstico que se baseou no diagnóstico e no tempo decorrido desde a última crise.

Desempenho do modelo (quanto mais próximo de 1,0 em ambos os casos, melhor):

• A área sob a característica operacional do receptor (AUROC): O modelo ML: 0,797 (intervalo de confiança de 95% (IC) 0,793—0,802), A linha de base baseada na prática clínica: 0,736 (IC 95% 0,733—0,740) A linha de base baseada no diagnóstico: 0,746 (IC 95% 0,741—0,750).
• Uma precisão média (AP): O modelo ML: 0,159 (IC 95% 0,154—0,165) A linha de base baseada na prática clínica: 0,092 (IC 95% 0,090—0,094) A linha de base baseada no diagnóstico: 0,092 (IC 95% 0,089—0,094).

Principais insights:

• Se não houvesse informações sobre o paciente por mais de 1 ano, as métricas caíam. (ÁUREO 0.617)
• Pacientes com pelo menos um registro no mês anterior apresentaram resultados estáveis. (AUTOMÁTICO (0.765)
• Uma longa história do paciente no EHR melhorou o desempenho de previsão: pacientes que visitaram o local pela primeira vez nos últimos 6 meses (AUROC 0,794) Pacientes cujo EHR, o primeiro registro, datava de 5 anos atrás (AUROC 0,816)

Resultados da prática clínica:

Os pesquisadores testaram o algoritmo em um estudo prospectivo de 6 meses com vários sites para ver as reações e os resultados dos profissionais de saúde e descobriram:

• 7% de discordância (n = 65) de todas as previsões em 6 meses.
• As previsões são clinicamente valiosas para gerenciar o número de casos ou mitigar o risco de crise em 64% dos casos.

Dados Fig. 9 do artigo: exemplos de características que contribuem para a pontuação de risco prevista.

Conclusão

Atualmente, temos um ambiente clínico movimentado, em que uma revisão manual de grandes quantidades de dados de muitos pacientes torna as decisões proativas de saúde mental inutilizáveis, insustentáveis e propensas a erros.

O futuro mudará o foco da revisão manual para a análise contínua de dados para permitir a revisão contínua de dados em grande escala para detectar coisas antes que seja tarde demais.

Estamos enfrentando um novo tipo de pandemia. Muitos de nós provavelmente sentiremos ou vivenciaremos uma crise de saúde mental em algum momento de nossas vidas. No entanto, hoje existem soluções para nos ajudar a detectar, prevenir e ajudar mais pessoas a enfrentar esses desafios, e talvez a IA possa fazer parte dessa solução.

Quando você estiver pronto, há outras três maneiras pelas quais podemos ajudá-lo:

1. **Trabalhe conosco 1:1:** Agende uma chamada de descoberta para levar o poder da IA para sua empresa.

2. A Biblioteca Ark: Dê uma olhada nos recursos gratuitos que temos para levar a IA ao seu dia a dia.

3. Junte-se à nossa comunidade para obter dicas curtas e interessantes: Se você é o tipo de pessoa que acha útil receber dicas curtas e diárias, siga-nos no LinkedIn. Publicamos algumas dicas curtas todos os dias.

Referências de periódicos (e outras boas leituras):

• Garriga, R., Mas, J., Abraha, S. et al. Modelo de aprendizado de máquina para prever crises de saúde mental a partir de registros eletrônicos de saúde. Nat Med 28, 1240—1248 (2022). https://doi.org/10.1038/s41591-022-01811-5 (vincular)
• Van Le, D., Montgomery, J., Kirkby, K. C. & Scanlan, J. Predição de risco usando processamento de linguagem natural de registros eletrônicos de saúde mental em um ambiente de psiquiatria forense hospitalar. J. Biomed. Informe. 86, 49—58 (2018).
• Sim, C. et al. Predição de hipertensão incidente no próximo ano: estudo prospectivo usando registros eletrônicos de saúde estaduais e aprendizado de máquina. J. Med. Internet Res. 20, e22 (2018).
• Arcadu, F. et al. O algoritmo de aprendizado profundo prevê a progressão da retinopatia diabética em pacientes individuais. Dígito NPJ. 2 de março de 92 (2019)
• Hyland, S. et al. Predição precoce de insuficiência circulatória na unidade de terapia intensiva usando aprendizado de máquina. Nat. 26 de março de 364—373 (2020).
• Li, X. et al. Um modelo de aprendizado de máquina em fases para previsão em tempo real da sepse em cuidados intensivos. Crítico. Care Med. 48, e884—e888 (2020).
• Oi, Z. et al. Predição precoce da sepse usando aprendizado em conjunto com características profundas e artificiais extraídas de registros clínicos eletrônicos de saúde. Crítico. Care Med. 48, e1337—e1342 (2020).
• Chen, Q. et al. Prevendo tentativa de suicídio ou morte por suicídio após uma visita a um atendimento especializado em psiquiatria: um estudo de aprendizado de máquina usando dados do registro nacional sueco. PLoS Med. 17, e103416 (2020).
• Su, C. et al. Aprendizado de máquina para predição de risco de suicídio em crianças e adolescentes com registros eletrônicos de saúde. Traduzir. Psiquiatria 10, 413 (2020).

Se você gostou deste boletim informativo, não se esqueça de compartilhá-lo com outras pessoas e/ou nos dê feedback para que possamos melhorá-lo. Até a próxima vez!

Atenciosamente,