De onderzoekers ontwikkelden een voorspellend programma op basis van de gegevens van de 1,5 miljoen patiënten in de Nivel-zorgregistraties. Zij gebruikten gegevens uit 2017 van de 574 mensen met ICPC-code P77 (suïcide(poging)). De controlegroep bestond uit 207.308 mensen die psychologisch kwetsbaar waren (alle andere ICPC-codes uit de P-groep) in 2017. Een programma voor machine-learning (RandomForest) werd ingezet op 70% van de gevallen en vervolgens getest op de resterende 30%.
Bijna tweederde (65%) van de mensen die een suïcide(poging) ondernam, bezocht de huisarts in de 30 dagen die daaraan voorafgingen. RandomForest behaalde een positief voorspellende waarde van slechts 0,05; met een sensitiviteit van 0,39 en een specificiteit van 0,98. In de test-sample van 650 contacten met patiënten die een suïcide(poging) hadden ondernomen en 53.666 contacten met een ICPC-code uit de P-groep, selecteerde het algoritme 20 gevallen als hoog risico. Daarvan had 1 persoon daadwerkelijk een suïcide(poging) ondernomen en werd er 1 patiënt gemist.
De auteurs concluderen dat het, ondanks bemoedigende uitkomsten van datagebruik uit het HIS, nog te vroeg is om dit als ondersteuning voor het diagnostisch proces in de spreekkamer te gebruiken. Wel attendeert het onderzoek ons op relevante voorspellers voor een suïcide(poging). Het gaat dan om: de relatieve toename in contacten met de praktijk in de maand ervoor, het aantal contacten met een ICPC-registratie in het cluster Psychische problemen en het aantal contacten met een SOLK.
Lees meer over het onderzoek Applying machine learning on health record data from general practitioners to predict suicidality van K. Van Mens, et al.
Literatuur
- Van Mens K, et al. Applying machine learning on health record data from general practitioners to predict suicidality. Internet Interventions 2020;21:100337.
Reacties
Er zijn nog geen reacties.
