„Dieses erste groß angelegte Projekt stellt somit eine eindrucksvolle Demonstration des potenziellen Beitrags der KI zur Prävention im Bereich psychische Gesundheit und Abhängigkeitserkrankungen dar“, erklärt Christian Gagné, Professor an der Fakultät für Naturwissenschaften und Ingenieurwesen der Université Laval und Direktor des Instituts für Künstliche Intelligenz und Daten.
Fatemeh Gholi Zadeh Kharrat, Postdoktorandin an der Université Laval, hat ökologische Daten, die mit Demografie oder der Umwelt zusammenhängen, sowie anonymisierte Daten von Einzelpersonen, die zwischen 2000 und 2019 erfasst wurden, integriert. Sie analysierte statistische Daten zur Bevölkerung, Krankenversicherung, Zugänglichkeit des Gesundheitssystems und vieles mehr.
Verstehen, um besser zu verhindern
Die Initiative bestätigte nicht nur bestehende Hypothesen zu diesem Thema, sondern führte auch zu neuen Erkenntnissen. „Zum Beispiel haben wir gesehen, dass Menschen, die in den 60 Tagen zuvor eine psychische Betreuung erhalten hatten, ein erhöhtes Suizidrisiko aufwiesen. Dasselbe gilt für den Drogenkonsum. Diese Art von Zusammenhang hatten wir erwartet, aber die Analyse durch maschinelles Lernen zeigte uns ihren Einfluss klar auf“, erklärt Christian Gagné, der eng mit Alain Lesage, Professor an der medizinischen Fakultät der Université de Montréal, zusammenarbeitete.
Auch die KI-Modelle zeigten, dass psychische Erkrankungen und Abhängigkeitserkrankungen wichtige Faktoren bei der Suizidvorhersage sind. Sie hoben auch den kumulativen Effekt von Risikofaktoren hervor, der sowohl mit der Person selbst als auch mit dem Kontext zusammenhängt, in dem sie lebt. Was auf individueller Ebene geschieht, wird auch durch ökologische Faktoren bestimmt, wie zum Beispiel das regionale Budget für psychische Gesundheit und Abhängigkeitserkrankungen.
Die Analysen zeigten außerdem, dass in Regionen, in denen das pro Kopf-Budget für Abhängigkeitsprobleme geringer ist, die Suizidrate bei Männern höher ist. „Es wurde also ein klarer Zusammenhang zwischen dem öffentlichen Investitionsniveau in die psychische Gesundheit und Abhängigkeitserkrankungen und dem Suizidrisiko festgestellt. Umgekehrt, wenn wir die Finanzierung erhöhen, gibt es einen realen Effekt auf die Verringerung dieses Risikos“, betont Professor Gagné.
600 untersuchte Variablen
Diese Art von Zusammenhang konnte durch die Berücksichtigung einer großen Menge an Variablen herausgestellt werden. Soziodemografische Situation, Diagnosen und Krankenhausaufenthalte, frühere physische oder psychische Gesundheitszustände, das regionale Budget für psychische Gesundheit – etwa 600 klinische oder gesellschaftliche Variablen wurden einbezogen. „Wir konnten sehen, wie reich die Daten des INSPQ waren“, berichtet Fatemeh Kharrat.
Zwei KI-Modelle setzten sich schnell durch, die nach Geschlecht differenziert waren. „Die Unterscheidung der weiblichen und männlichen Risikofaktoren ist im klinischen Umfeld bereits gut verstanden. Die Entwicklung geschlechtsspezifischer Modelle ermöglichte uns, andere interessante Variablen hervorzuheben oder sogar geschlechtsspezifische Variablen zu identifizieren“, erklärt Christian Gagné.
Im Laufe der Simulationen untersuchte das Team den Einfluss der verschiedenen Variablen, um die wichtigsten Faktoren zu identifizieren. „Wenn wir zum Beispiel die soziale Benachteiligung des Viertels, in dem die Person lebt, verändern, welchen Einfluss hat das auf die Risikofaktoren?“, illustriert Fatemeh Kharrat. „Wir konnten die Beziehungen zwischen den Variablen und ihren Einfluss auf das Risikoniveau verstehen.“
Zur Interpretation der Ergebnisse arbeiteten die Forscherinnen und Forscher mit Fachexperten zusammen. „Sie konnten prüfen, ob die Beziehung aus klinischer Sicht existiert oder wahrscheinlich ist“, ergänzt Christian Gagné.
Dieses Projekt, unterstützt durch die Finanzierung des Programms „Nouvelles frontières en recherche“ der drei kanadischen Forschungsräte, führte zu wissenschaftlichen Veröffentlichungen in den Zeitschriften PLOS One und JMIR Public Health and Surveillance.