Ένα νέο μοντέλο πρόβλεψης, βασισμένο σε κλινικά δεδομένα 20 ετών, εντοπίζει με υψηλή ακρίβεια τους ασθενείς με κατάθλιψη που διατρέχουν κίνδυνο αυτοτραυματισμού.
Η κατάθλιψη, μία από τις πιο διαδεδομένες ψυχικές διαταραχές, χαρακτηρίζεται από επίμονη χαμηλή διάθεση και απώλεια ενδιαφέροντος για τις καθημερινές δραστηριότητες, μαζί με πιθανές διαταραχές ύπνου ή/και αλλαγές στην όρεξη. Ορισμένοι άνθρωποι που διαγιγνώσκονται με αυτή τη διαταραχή μπορεί να βλάψουν τον εαυτό τους και, στις πιο σοβαρές περιπτώσεις, να οδηγηθούν σε απόπειρα αυτοκτονίας.
Ο εντοπισμός των ασθενών που διατρέχουν υψηλότερο κίνδυνο αυτοτραυματισμού είναι υψίστης σημασίας, καθώς επιτρέπει στους επαγγελματίες ψυχικής υγείας να παρέμβουν και να υποστηρίξουν καλύτερα αυτούς τους ασθενείς σε κρίσιμες στιγμές. Μέχρι στιγμής, ωστόσο, η ακριβής πρόβλεψη του κινδύνου αυτοτραυματισμού έχει αποδειχθεί πρόκληση.
Ερευνητές στο Πανεπιστήμιο του Χονγκ Κονγκ ανέπτυξαν ένα νέο μοντέλο που διαπιστώθηκε ότι προβλέπει τον κίνδυνο αυτοτραυματισμού ατόμων με κατάθλιψη με καλή ακρίβεια. Αυτό το μοντέλο, που παρουσιάστηκε σε εργασία που δημοσιεύθηκε στο Molecular Psychiatry, θα μπορούσε να βοηθήσει στον σχεδιασμό πιο αποτελεσματικών και εξατομικευμένων θεραπευτικών πλάνων για την κατάθλιψη.
Αναγνωρίζουμε ότι η κατάθλιψη είναι μια εξαιρετικά διαδεδομένη ψυχική διαταραχή και σχετίζεται με σημαντική αναπηρία, δήλωσε ο Wing Chung Chang, κύριος συγγραφέας της εργασίας.
Είναι σημαντικό ότι ο αυτοτραυματισμός και η αυτοκτονία συνδέονται στενά με την κατάθλιψη, αντιπροσωπεύοντας ένα μείζον ζήτημα δημόσιας υγείας. Μέχρι σήμερα, υπάρχει έλλειψη δεδομένων σχετικά με την ανάπτυξη ενός ακριβούς μοντέλου πρόβλεψης του αυτοτραυματισμού σε άτομα με πρόσφατα διαγνωσμένη κατάθλιψη. Αναγνωρίσαμε ότι η βάση δεδομένων ηλεκτρονικών αρχείων υγείας (EHR), η οποία καταγράφει κλινικά δεδομένα που συλλέγονται συστηματικά, είναι ένας ισχυρός πόρος για την ανάπτυξη μοντέλων πρόβλεψης κινδύνου.
Εκπαίδευση αλγορίθμων σε ένα τεράστιο σύνολο δεδομένων
Για να αναπτύξουν το μοντέλο τους, ο Chang και οι συνεργάτες του αξιοποίησαν τη βάση δεδομένων EHR, ένα μεγάλο σύνολο δεδομένων που περιέχει τα ιατρικά αρχεία περισσότερων από 100.000 ατόμων που ζουν στο Χονγκ Κονγκ και διαγνώστηκαν με κατάθλιψη.
Αυτή η βάση δεδομένων συντάχθηκε από τις δημόσιες υπηρεσίες υγειονομικής περίθαλψης στο Χονγκ Κονγκ και περιλαμβάνει κλινικά δεδομένα 20 ετών. Χρησιμοποιώντας αυτά τα δεδομένα, οι ερευνητές ανέπτυξαν και δοκίμασαν ένα μοντέλο πρόβλεψης ενός έτους για την εκτίμηση του κινδύνου αυτοτραυματισμού μεταξύ ατόμων που διαγνώστηκαν πρόσφατα με κατάθλιψη.
Αναπτύξαμε αλγόριθμους πρόβλεψης κινδύνου χρησιμοποιώντας τη μέθοδο LASSO και το μοντέλο παλινδρόμησης, χρησιμοποιώντας τα κλινικά δεδομένα 102.863 ατόμων, δήλωσε ο Chang. Συμπεριλάβαμε μια ολοκληρωμένη σειρά μεταβλητών πρόβλεψης, όπως βασικά κοινωνικοδημογραφικά στοιχεία, ιστορικό κακοποίησης στην παιδική ηλικία, σωματικές και ψυχιατρικές συννοσηρότητες, ιστορικό αυτοτραυματισμού, χρήση ψυχιατρικών υπηρεσιών και χρήση ψυχοτρόπων φαρμάκων.
Νέες στρατηγικές πρόληψης
Οι παράγοντες κινδύνου που συνδέονται με τον αυτοτραυματισμό περιελάμβαναν προηγούμενες αυτοκαταστροφικές συμπεριφορές, προηγούμενες ψυχιατρικές νοσηλείες και διαταραχές χρήσης ουσιών. Αντίθετα, η χρήση αντικαταθλιπτικών ή λιθίου συνδέθηκε με χαμηλότερο κίνδυνο.
Στο μέλλον, το μοντέλο θα μπορούσε να βελτιωθεί περαιτέρω και τελικά να εισαχθεί σε κλινικά περιβάλλοντα, βοηθώντας τους ψυχιάτρους να εντοπίζουν έγκαιρα τους ασθενείς υψηλού κινδύνου και να επινοούν στρατηγικές υποστήριξης.
Μπορούμε να διερευνήσουμε περαιτέρω την εξωτερική επικύρωση των μοντέλων μας σε δείγματα ασθενών από άλλες περιοχές, ώστε να επαληθεύσουμε και να ενισχύσουμε την εγκυρότητά τους σε διαφορετικούς πληθυσμούς, πρόσθεσε ο Chang.
Αυτό θα διευκολύνει επίσης τη μετάφραση των ερευνητικών μας ευρημάτων στην εφαρμογή των μοντέλων στην πραγματική κλινική πρακτική προς όφελος των ασθενών.
Έρευνα: Heidi Ka Ying Lo et al, Prediction of self-harm in people with newly-diagnosed depression: development and validation of risk prediction models, Molecular Psychiatry (2026). DOI: 10.1038/s41380-026-03555-x.
Η ομάδα του PsychologyNow
Αριθμός Πιστοποίησης Μ.Η.Τ. 242811