Predicción del riesgo de intentos de suicidio a lo largo del tiempo a través del aprendizaje automático

Los enfoques tradicionales para la predicción de intentos de suicidio han limitado la precisión y escala de la detección de riesgos para estos comportamientos peligrosos. Buscamos superar estas limitaciones aplicando aprendizaje automático a registros de salud electrónicos dentro de una gran base de datos médica. Los participantes fueron 5,167 pacientes adultos con un código de reclamación por autolesiones (es decir, ICD-9, E95x); la revisión por expertos de los registros determinó que 3,250 pacientes hicieron un intento de suicidio (es decir, casos), y 1,917 pacientes participaron en autolesiones que fueron no suicidas, accidentales o no verificables (es decir, controles). Desarrollamos algoritmos de aprendizaje automático que predijeron con precisión los futuros intentos de suicidio (AUC = 0.84, precisión = 0.79, recuperación = 0.95, puntuación de Brier = 0.14). Además, la precisión mejoró de 720 días a 7 días antes del intento de suicidio, y la importancia de los predictores cambió con el tiempo. Estos hallazgos representan un paso hacia una detección de riesgo precisa y escalable y proporcionan información sobre cómo el riesgo de intento de suicidio cambia a lo largo del tiempo.