O suica­dio éagora a segunda causa mais comum de morte entre os jovens americanos. Os suica­dios fatais aumentaram 30% entre 2000 e 2016, e somente em 2016 houve 1,3 milha£o de tentativas de suica­dio não fatal. Agora, um estudo liderado pelo Hospital Infantil de Boston e pelo Hospital Geral de Massachusetts demonstra que um modelo computacional preditivo pode identificar pacientes em risco de tentativa de suica­dio a partir de padraµes em seus registros eletra´nicos de saúde - uma média de dois anos antes do tempo.

Tais modelos podem potencialmente alertar os profissionais de saúde antes da visita, ajudando os pacientes a obter intervenções apropriadas, dizem os pesquisadores. Os resultados foram publicados no maªs passado no JAMA Network Open .

"Os computadores não podem substituir as equipes de atendimento na identificação de problemas de saúde mental ", diz Ben Reis, Ph.D., diretor do Grupo de Medicina Preditiva, parte do Programa de Informa¡tica em Saúde Computacional (CHIP) do Hospital Infantil de Boston e co-autor saªnior do o papel. "Mas sentimos que os computadores, se bem projetados, poderiam identificar pacientes de alto risco que atualmente estãocaindo nas rachaduras, despercebidos pelo sistema de saúde. Prevemos um sistema que poderia informar o médico 'de todos os seus pacientes, esses três caem em uma categoria de alto risco. Reserve alguns minutos extras para falar com eles. '"

A equipe analisou dados de registros eletra´nicos de saúde de mais de 3,7 milhões de pacientes com idades entre 10 e 90 anos em cinco sistemas de assistaªncia médica nos EUA: Partners HealthCare System em Boston; Centro Manãdico de Boston; Hospital Infantil de Boston; Wake Forest Medical Center, na Carolina do Norte; e Centro de Ciências da Saúde da Universidade do Texas em Houston. Dados de seis a 17 anos estavam disponí­veis nos diferentes centros, incluindo ca³digos de diagnóstico, resultados de exames laboratoriais, ca³digos de procedimentos médicos e medicamentos.

Os registros mostraram um total de 39.162 tentativas de suica­dio. Os modelos foram capazes de detectar 38% deles (isso variava de 33 a 39% nos cinco centros), com 90% de especificidade. Os casos foram apurados em média 2,1 anos antes da tentativa de suica­dio real (variação de 1,3 a 3,5 anos).

Os preditores mais fortes, sem surpresa, inclua­ram intoxicações por drogas, dependaªncia de drogas, intoxicação aguda por a¡lcool e várias condições de saúde mental. Mas outros preditores eram aqueles que normalmente não vinham a  mente, como rabdomia³lise, celulite ou abscesso da ma£o e medicamentos para o HIV.

"Nãohavia um aºnico preditor", diz Reis. "a‰ mais uma gestalt ou equila­brio de evidaªncias, um sinal geral que se acumula ao longo do tempo".

Os pesquisadores desenvolveram o modelo em duas etapas, usando uma abordagem de aprendizado de ma¡quina. Primeiro, eles mostraram metade dos dados de seus pacientes em um modelo de computador, direcionando-os para encontrar padraµes associados a tentativas de suica­dio documentadas. Depois, eles tiraram as lições aprendidas desse exerca­cio de "treinamento" e os validaram usando a outra metade de seus dados - pedindo ao modelo para prever, com base apenas nesses padraµes, quais pacientes acabariam por tentar se suicidar .

No geral, o modelo teve desempenho semelhante em todos os cinco centros médicos, mas a reciclagem do modelo em centros individuais trouxe melhores resultados.

"Podera­amos ter criado um modelo para atender a todos os centros médicos, usando os mesmos ca³digos", diz Yuval Barak-Corren, MD, do CHIP, primeiro autor do artigo. "Mas escolhemos uma abordagem que cria automaticamente um modelo ligeiramente diferente, adaptado a s especificidades de cada local de assistaªncia médica".

Os resultados confirmaram o valor da adaptação do modelo a cada local, uma vez que os centros de saúde podem ter fatores preditivos aºnicos, baseados em diferentes prática s de codificação hospitalar e em demografia e padraµes de saúde locais.

Sob uma concessão do Instituto Nacional de Saúde Mental, a equipe agora procurara¡ aprimorar sua abordagem de modelagem, por exemplo, incorporando as anotações cla­nicas dos médicos em seus dados.