Elke dag overlijden er gemiddeld vijf mensen door zelfdoding in Nederland. De helft van deze mensen komt in de maand voor hun suïcidepoging of suïcide bij de huisarts. Het blijkt lastig voor de huisarts om hen op tijd te herkennen. Patiënten beginnen vaak niet uit zichzelf over suïcidaliteit en huisartsen weten niet altijd waar ze op moeten letten of hoe ze ernaar moeten vragen. 113 Zelfmoordpreventie onderzocht samen met Het Nivel, Altrecht en Trimbos of ‘machine learning’ huisartsen kan ondersteunen om deze groep patiënten te identificeren.
Machine learning
Machine learning is een techniek die gebruikt wordt om patronen te herkennen in grote datasets. Het algoritme wat hieruit ontstaat (de uiteindelijke “formule” waarin alle risicofactoren en de wegingen zijn meegenomen) bepaalt welke patiënten wel en niet als hoog risico worden aangemerkt.
De onderzoekers gebruikten huisartsendata uit Nivel Zorgregistraties Eerste Lijn. Met behulp van machine learning werd voorspeld wie een hoge kans heeft op suïcidaal gedrag: het idee bestond dat er een mogelijk patroon zat in het type consult en de frequentie van het consult in de aanloop naar suïcidaal gedrag. Het algoritme bleek suïcidaliteit bij sommige patiënten goed te voorspellen.
Dit zijn de belangrijkste factoren die bepalend zijn:
- Hoeveelheid zorggebruik bij de huisarts in de maand voorafgaand aan de suïcide(poging) t.o.v. de baseline (4-12 maand voorafgaand aan suïcide(poging))
- Aantal consulten voor psychische klachten in de maand voorafgaand aan suïcide(poging)
- Leeftijd van de patiënt
- Hoeveelheid zorggebruik bij de huisarts vanwege Somatisch Onverklaarde Lichamelijk Klachten (SOLK) in de maand voorafgaand aan de suïcide(poging) t.o.v. baseline (4-12 maand voorafgaand aan suïcide(poging))
- Aantal consulten voor SOLK klachten in de maand voorafgaand aan de suïcide(poging)
Signaalfunctie voor huisarts
Het toepassen van deze techniek zou een eerste stap zijn in geautomatiseerde screening binnen huisartsenpraktijken. Uiteraard gaat het hier om een toevoeging en geen vervanging van de huisarts. Wanneer een bepaalde patiënt door het algoritme wordt aangemerkt als “hoog-risico” wordt er een signaal gegeven aan de huisarts. Deze bespreekt vervolgens het suïcide risico met de patiënt en neemt indien nodig vervolgstappen.
Alert blijven
Stel er vinden twee suïcides plaats binnen een groep van 650 eerstelijns patiënten met psychische klachten. Eén hiervan werd correct aangemerkt als hoog-risico, maar de andere suïcide werd gemist door het algoritme en vond plaats onder de overige patiënten. Het onderzoek laat tegelijkertijd dus zien dat suïcidaal gedrag moeilijk te voorspellen is en dat huisartsen hier altijd alert op moeten blijven.
Over het onderzoek
Om te onderzoeken of er met machine learning patronen in suïcidaal gedrag kunnen worden ontdekt, is er een multidisciplinair team samengesteld. Er is gewerkt met onder andere input vanuit de huisartspraktijk, epidemiologen en data-analisten. Voor het onderzoek werden patiënten geselecteerd die in 2017 een registratie hadden van een suïcide(poging) en patiënten die voor andere psychische klachten de huisarts geconsulteerd hadden (de controle-risicogroep).
Om het algoritme te ontwikkelen werden de huisartsendata gebruikt die teruggingen tot twee jaar voorafgaand aan het moment van suïcidaal gedrag (bij de eerste patiëntengroep) dan wel tot twee jaar voor het moment van consultatie van de huisarts (bij de tweede patiëntgroep).
Bekijk hier het hele onderzoek.