Il ruolo della salute mentale nel prevedere gli esiti dei pazienti

Quando si parla di salute, ci sono tanti fattori in gioco. Non si tratta solo di quello che succede negli ospedali o nelle cliniche. Le ricerche mostrano che solo una piccola parte della salute di una persona, circa il 10-20%, dipende dalle cure mediche. La parte più grande viene da cose che stanno fuori dal sistema sanitario, come fattori sociali, ambientali e comportamentali. Ad esempio, i canadesi più ricchi tendono a essere più sani e vivere di più rispetto a quelli con meno soldi. Questa differenza è ancora più evidente quando si parla di tassi di obesità, dove le donne delle famiglie a basso reddito affrontano rischi maggiori di problemi di salute come il diabete e le malattie cardiache.

È interessante notare che anche quando i canadesi con reddito basso bevono meno alcol, finiscono per andare più spesso in ospedale per problemi legati all'alcol. Questo dimostra quanto sia importante considerare altri dettagli, come la nutrizione, le connessioni sociali e i livelli di stress quando si guarda alla salute.

#Registri Elettronici della Salute e le Loro Limitazioni

Con l'aumento dei Registri Elettronici della Salute (EHR), ora c'è un sacco di dati clinici disponibili. Questi dati possono aiutare a creare modelli di machine learning che studiano i risultati dei pazienti. Tuttavia, gran parte delle informazioni sui fattori sociali che influenzano la salute è nascosta in note difficili da accedere. Per questo motivo, molti studi attuali che usano gli EHR si concentrano principalmente su dettagli clinici. Questo focus ristretto può creare disuguaglianze nella sanità.

Ricerche recenti hanno evidenziato i problemi legati all'incertezza nella previsione dei risultati dei pazienti basati sugli EHR. Mostra che per valutare quanto bene questi modelli funzionano, è fondamentale considerare il contesto più ampio di ogni paziente, non solo i loro dati clinici.

#Importanza dei Fattori Sociali e Comportamentali

C'è un crescente interesse nella comunità sanitaria per includere informazioni sociali e comportamentali negli EHR. Le indagini hanno dimostrato che aspetti sociali, come l'istruzione e le abitudini di esercizio, sono legati allo sviluppo di problemi di salute come l'ipertensione e il diabete.

Uno studio ha utilizzato l'elaborazione del linguaggio naturale (NLP) per estrarre dettagli sociali e comportamentali dagli EHR. Ha scoperto che gli EHR strutturati spesso perdono informazioni più ricche disponibili nelle narrazioni cliniche. Questo evidenzia la necessità di combinare dati strutturati e non strutturati per avere un quadro completo della salute del paziente.

Nella Salute Mentale, studi mostrano che le persone con condizioni come depressione o ansia sono a maggior rischio di gravi problemi di salute fisica, come malattie cardiache e cancro. Questo sottolinea l'importanza di incorporare informazioni sulla salute mentale quando si analizzano i risultati dei pazienti.

#Raccolta e Preparazione dei Dati

In questo studio, abbiamo usato il database Medical Information Mart for Intensive Care III (MIMIC III), che contiene dati da oltre 53.000 ricoveri ospedalieri di pazienti adulti. Questo include un'ampia gamma di informazioni, dai segni vitali ai farmaci.

Per focalizzare la nostra analisi, abbiamo guardato solo l'ultimo ricovero per i pazienti che erano stati ammessi in terapia intensiva più volte. Tuttavia, per avere una migliore comprensione della salute mentale di ciascun paziente, abbiamo combinato tutte le loro note cliniche durante la etichettatura.

#Etichettatura dei dati

Abbiamo selezionato 1.058 cartelle di pazienti da etichettare per condizioni di salute mentale. Professionisti esperti in psicologia e nursing hanno esaminato le cartelle e assegnato etichette binarie che indicano la presenza o l'assenza di problemi di salute mentale. Per garantire una rappresentazione equilibrata, abbiamo incluso numeri uguali di casi di morte e non morte.

Inoltre, abbiamo usato il modello di OpenAI come strumento di annotazione per rilevare problemi di salute mentale in note non strutturate. Questo modello ha analizzato 900 cartelle, e abbiamo confrontato i suoi risultati con le etichette assegnate dai nostri esperti.

#Preprocessing dei Dati

Per gestire i dati mancanti, abbiamo utilizzato indicatori per mantenere la distribuzione originale delle caratteristiche. Abbiamo anche standardizzato le caratteristiche numeriche per garantire uniformità. La nostra analisi ha indicato che alcuni risultati di laboratorio, come Cloruro e Sodio, erano fortemente correlati, portandoci a escludere alcune caratteristiche per evitare l'overfitting.

#Sviluppo del modello

Per ottenere risultati accurati, abbiamo testato una varietà di modelli di machine learning, come la regressione logistica, le macchine a supporto vettoriale, gli alberi decisionali e i vicini più prossimi. Abbiamo analizzato come le informazioni sulla salute mentale influenzassero le prestazioni di questi modelli. Abbiamo effettuato previsioni utilizzando due configurazioni: una solo con dati clinici e l'altra con ulteriori approfondimenti sulla salute mentale.

Abbiamo effettuato una validazione incrociata per assicurarci che i nostri risultati fossero affidabili. Le metriche di performance che abbiamo utilizzato per valutare ciascun modello includevano precisione, richiamo, punteggi F1 e l'Area Sotto la Curva (AUC). Abbiamo anche utilizzato la precisione media per enfatizzare l'importanza di rilevare con accuratezza i risultati di morte.

#Risultati e Discussione

I risultati hanno mostrato l'efficacia dei nostri modelli predittivi per prevedere la mortalità. I modelli addestrati con informazioni sulla salute mentale hanno mostrato prestazioni migliori rispetto a quelli che utilizzavano solo dati clinici nella maggior parte dei casi. Il modello ExtraTrees ha avuto le migliori prestazioni, mostrando miglioramenti in diverse metriche.

La nostra analisi ha rivelato che i fattori di salute mentale contribuivano significativamente a queste previsioni. In particolare, la presenza o l'assenza di informazioni sulla salute mentale è stata cruciale nel plasmare i risultati.

#Impatto della Salute Mentale

Abbiamo utilizzato l'analisi SHAP per determinare il contributo di ciascuna caratteristica alle previsioni del nostro migliore modello. I risultati hanno indicato che le informazioni sulla salute mentale erano uno dei fattori chiave che influenzavano le previsioni, classificandosi tra le prime 20 caratteristiche. Le nostre scoperte evidenziano quanto i dettagli personali, come la salute mentale, giochino un ruolo importante nella previsione dei risultati di salute.

#OpenAI e Etichettatura dei Dati

Per valutare le prestazioni di OpenAI nell'identificare fattori sociali e comportamentali da testi non strutturati, abbiamo confrontato le etichette generate dall'IA con quelle dei nostri esperti. Il modello AI ha mostrato un accordo del 77% con gli esperti, ma ha avuto difficoltà a identificare con precisione i casi di salute mentale positivi. Questo suggerisce che, sebbene l'IA possa essere uno strumento utile, ha bisogno di ulteriori perfezionamenti per un miglior riconoscimento delle condizioni di salute complesse.

#Limitazioni dello Studio

Questo studio ha avuto alcune limitazioni che potrebbero influenzare i risultati. La piccola dimensione del campione potrebbe influenzare quanto bene questi risultati si applichino a popolazioni più ampie. Per contrastare ciò, abbiamo garantito un'estrazione di etichette di alta qualità e una rappresentazione equilibrata nel nostro dataset.

Inoltre, mentre ci siamo concentrati specificamente su fattori sociali e comportamentali legati alla salute mentale, questi elementi sono interconnessi e dovrebbero essere considerati insieme. Esperti del settore hanno esaminato le note di ciascun paziente per considerare queste interazioni complesse.

#Conclusione

L'obiettivo di questo studio era determinare come l'inclusione di informazioni sulla salute mentale dalle note EHR non strutturate influisca sulle previsioni di mortalità che utilizzano il machine learning. Combinando fattori clinici e sociali, puntavamo a identificare più accuratamente i pazienti ad alto rischio.

Le nostre scoperte sottolineano l'importanza di integrare i dati sulla salute mentale nei modelli predittivi. Questo approccio non solo migliora l'accuratezza, ma riflette anche le complessità reali della salute dei pazienti. I risultati evidenziano la necessità di un'analisi più inclusiva nella sanità che consideri l'intera gamma di fattori che influenzano i risultati.