Zespół badawczy złożony z absolwentów Gdańskiego Uniwersytetu Medycznego: lek. Zofii Kachlik, lek. Michała Walaszka oraz dr. Wojciecha Nazara z Kliniki Alergologii GUMed, we współpracy z absolwentami Politechniki Gdańskiej: inż. Moniką Sokołowską, inż. Elizą Pilarską i inż. Aleksandrem Karbiakiem, działając w ramach Związku Uczelni Fahrenheita, opublikował cykl dwóch prac poświęconych wykorzystaniu uczenia maszynowego (machine learning) w predykcji suicydalnej w populacji polskiej.
Badania prowadzone były pod opieką prof. Wiesława Jerzego Cubały, kierownika Kliniki Psychiatrii Dorosłych GUMed oraz dr. Przemysława Waszaka z Zakładu Higieny i Epidemiologii GUMed.
Wyniki zespołu ukazały się w renomowanych czasopismach naukowych:
• Machine learning prediction of suicide attempt counts in Poland: Insights from Google trends and historical data – International Journal of Clinical and Health Psychology (IF 4.4; D1)
• Predicting Suicide Attempt Trends in Youth: A Machine Learning Analysis Using Google Trends and Historical Data – Journal of Clinical Medicine (IF 2.9; Q1).
Kiedy mówimy o zachowaniach samobójczych, mamy na myśli proces, który rozwija się w czasie: od myśli rezygnacyjnych, przez myśli S, planowania, aż po próbę. I w tym procesie, i tu dobra informacja, zwykle istnieje moment, w którym można jeszcze zareagować.
– W naszej analizie podzieliliśmy wyszukiwane hasła na kategorie. Co ciekawe, najmniej popularna okazała się kategoria „suicide seeking” – czyli te najbardziej bezpośrednie, aktywne zachowania. To istotne, bo właśnie ta kategoria znajduje się na samym końcu kaskady suicydalnej, tuż przed próbą. Mimo to hasła z kategorii symptomy i prewencja, znacznie mniej specyficzne, lepiej przewidywały próby S – mówi lek. Zofia Kachlik.
Jak tłumaczą członkowie zespołu badawczego, w danych z Google Trends najwyższe są wyszukiwania bardziej ogólnych haseł, takich jak zaburzenia lękowe. Ale właśnie tutaj pojawia się rola uczenia maszynowego. Modele nie patrzą na to, ile razy dane słowo było wyszukiwane, tylko na to, jak dobrze na jego podstawie można przewidzieć liczbę prób S. Reasumując, mimo bardzo specyficznej grupy haseł związanych z aktywnym zachowaniem prosuicydalnym, to wciąż bardziej ogólne hasła: zaburzenia lękowe, izolacja społeczna i psychiatra miały największy wpływ na predykcje prób S.
– Nasze wyniki sugerują, że wczesne sygnały ryzyka prób S mogą być widoczne na poziomie populacyjnym nie tyle w bezpośrednich zapytaniach o zachowania samobójcze, ile w rosnącym zainteresowaniu bardziej ogólnymi problemami psychicznymi. Oznacza to, że klinicyści i osoby planujące interwencje populacyjne powinny zwracać szczególną uwagę na wzrost częstości problemów takich jak nasilający się lęk, narastająca izolacja społeczna czy trudności w dostępie do psychiatry. Mogą one stanowić wczesny, pośredni marker zwiększonego ryzyka i wskazywać na potrzebę intensyfikacji działań profilaktycznych jeszcze zanim pojawią się wyraźne sygnały zachowań suicydalnych – tłumaczy lek. Zofia Kachlik.
Oba artykuły dostępne są pod poniższymi linkami:
https://www.sciencedirect.com/science/article/pii/S1697260025001012?via%3Dihub
https://www.mdpi.com/2077-0383/14/18/6373
