Algoritmes zijn steeds beter in staat om goede voorspellingen te doen. Uit een overzichtsstudie van het Trimbos-instituut, Altrecht, de Vrije Universiteit Amsterdam (VU) en de universiteiten van Manchester en Leuven blijkt dat machine learning ingezet kan worden bij suïcidepreventie. De hele ontwikkeling hiervan en de vertaling naar de praktijk staat echter nog in de kinderschoenen.
De afgelopen jaren waren er verschillende studies die machine learning gebruikten om suïcidaal gedrag te kunnen voorspellen. Het is de bedoeling dat een zelflerend algoritme artsen kan helpen om suïcidaliteit te bespreken met patiënten met een verhoogd risico. Een overzichtsstudie van The Lancet Psychiatry in het nummer van maart 2022 wijst uit dat er mogelijkheden zijn, maar ook kansen op fouten. De manier waarop suïcidaal gedrag wordt geregistreerd, kan bijvoorbeeld nog enorm verbeterd worden.
Te veel vals positieve fouten
Er zijn verschillende studies die laten zien dat machine learning kan worden ingezet om suïcidaliteit te voorspellen. Toch maken zelfs de beste algoritmes nog steeds relatief veel, met name vals-positieve, fouten. Ook het daadwerkelijk voorkomen van suïcidaal gedrag met behulp van algoritmes staat nog in de kinderschoenen, aldus een overzichtsstudie van het Trimbos-instituut, Altrecht, de Vrije Universiteit Amsterdam (VU) en de universiteiten van Manchester en Leuven die werd gemaakt in opdracht van The Lancet Psychiatry.
Suïcidaal gedrag is 'n complex probleem
Het blijft zelfs voor de slimste algoritmes lastig om suïcidaal gedrag te voorspellen, omdat het een gevolg is van complexe interacties tussen vele mogelijke factoren zoals sociale, psychologische en omgevingsfactoren. In wat voor omgeving is iemand opgegroeid? Is er een verhoogde kans op depressie? Heeft iemand ingrijpende gebeurtenissen meegemaakt? Het zijn allemaal data die nodig zijn voor machine learning.
Desondanks blijkt het toch mogelijk om via machine learning die complexe samenhang mee te nemen en zodoende de voorspelling te verbeteren. Maar het voorspellen van suïcidaal gedrag blijft lastig, eenvoudigweg omdat het relatief weinig voorkomt.
Vertaling naar praktijk is ingewikkeld
Daarnaast vraagt de vertaling van de uitkomst van een algoritme in de richting van daadwerkelijke preventie de nodige aandacht. Wat kan een behandelaar er bijvoorbeeld mee als onderzoekers een suïcide kunnen voorspellen op basis van registratiedata met een nauwkeurigheid van 80 procent? Dat resultaat moet geïnterpreteerd worden en vertaalt worden naar de praktijk.
Machine learning heeft alleen zin heeft als er niet alleen aandacht is voor signalering, maar ook voor zorgtrajecten na het voorspellen van suïcidaal gedrag. Tot slot zijn er volgens de onderzoekers nog een flink aantal uitdagingen. Denk hierbij onder meer aan de kwaliteit van de data en ethische uitdagingen die machine learning met zich meebrengt.
Machine learning bij gezondheidsonderzoek
In de zorg wordt steeds vaker gebruikgemaakt van zelflerende algoritmes. Zo kan met complexe computerberekeningen nauwkeurig worden voorspeld waar een tumor in het lichaam zit of wat het optimale moment is om ontslagen te worden op de intensive care.
Binnen het Leids Universitair Medisch Centrum (LUMC) is bijvoorbeeld onderzoek met algoritmes gedaan naar de veranderingen in de beleving van gezondheid van patiënten. De onderzoekers van het LUMC en Salut hebben daarbij voor het eerst in Nederland gebruik gemaakt van machine learning-techniek uit de spraaktechnologie. Doel van het onderzoek was om veelvoorkomende patronen van gezondheidsveranderingen te identificeren.
