When a mental health crisis erupts, identifying those at high risk of suicide can be an urgent task for therapists and counselors. One exceptional tool to aid in this task has been developed by specialists at MIT’s McGovern Institute for Brain Research. This revolutionary tool uses the language employed by distressed individuals, providing priceless hints to their mental state and potential risk.
Conceived by Daniel Low, a former MIT graduate student and now a research scientist at the Child Mind Institute, the cutting-edge language-processing tool could become a game-changer in mental health. The program is guided by a sophisticated list of words and phrases linked to 49 known suicide risk factors. By scrutinizing the text, it can measure an individual’s suicide risk level with remarkable precision.
Jak podano w Czasopismo „Psychopatologia i Nauki Kliniczne”, this remarkable prediction tool has proven its worth in real-time text conversations with crisis counselors. The benefits are clearly immense, as it helps underline the key factors contributing to a person’s increased risk of suicide during a mental health crisis. With ongoing verification, it has the potential to advance risk assessment in both clinical environments and critical support scenarios.
Even for highly-trained clinicians, predicting an individual’s likelihood of attempting suicide can be incredibly complicated. Among those experiencing suicidal thoughts, a multitude of risk factors, including psychiatric symptoms, mental health disorders like depression, borderline personality disorder, PTSD, and environmental stressors such as poverty and loneliness coalesce, potentially leading to devastating outcomes.
Jak wyjaśnia Daniel Low, ta złożona sieć czynników ryzyka może utrudniać ustalenie, kto spośród osób rozważających samobójstwo może rzeczywiście zrealizować swoje zamiary. Droga do próby samobójczej jest niezwykle złożona, co sprawia, że przewidywanie takich zdarzeń jest niezwykle trudnym zadaniem.
To aid in the development of their tool, Low and his research partner, Senior Research Scientist Satra Ghosh, collaborated with the Crisis Text Line, a non-profit organization providing free, around-the-clock mental health support. Analyzing anonymous texts from about 16,000 conversations, they cataloged the dialogues into three risk categories: non-suicidal, suicidal ideation without immediate risk, and imminent risk. Their focus was the “imminent risk group,” defined by individuals planning to commit suicide or indicating an intent to die within 48 hours.
Zanim przystąpili do analizy tekstów, Low wraz ze swoim zespołem stworzyli unikalny słownik terminów związanych z ryzykiem samobójstwa. Wykorzystując sztuczną inteligencję, stworzyli wstępną listę słów i zwrotów związanych ze znanymi czynnikami ryzyka samobójstwa. Lista ta została następnie skrupulatnie przeanalizowana i udoskonalona, w wyniku czego powstał ostateczny słownik zawierający prawie 60 słów lub zwrotów dla każdego z 49 zidentyfikowanych czynników ryzyka.
Ten unikalny słownik został następnie wykorzystany w praktyce za pomocą specjalnie wyszkolonego modelu uczenia maszynowego, który analizował rozmowy dotyczące sytuacji kryzysowych, przewidując ryzyko samobójstwa na podstawie występowania określonych słów lub zwrotów. Badania te pozwoliły zidentyfikować wzorce zgodne z wynikami wcześniejszych badań, ale dostarczyły również nieoczekiwanych spostrzeżeń. Co istotne, w grupie najwyższego ryzyka częściej pojawiały się wzmianki o środkach śmiertelnych i zażywaniu substancji psychoaktywnych niż o objawach związanych z depresją.
Despite its remarkable capabilities, Low highlights that the role of human insight remains critical. His team’s prediction model, while complex, remains sufficiently “light-weight” – it requires less computational prowess and provides clear context for each risk assessment. Ghosh resolutely emphasizes that human oversight remains essential in this sophisticated field.
Naukowcy ostrożnie podkreślają, że takie modele prognostyczne wymagają wyczerpującej walidacji przed wprowadzeniem ich do praktyki klinicznej, w tym ewentualnych udoskonaleń, aby nadążać za ewolucją języka lub zmianami w populacjach docelowych.
Udostępniając publicznie swój słownik terminów związanych z ryzykiem samobójstwa oraz pakiet oprogramowania wykorzystany do jego stworzenia, Ghosh i Low torują drogę do nowych horyzontów w zrozumieniu zdrowia psychicznego. Narzędzie to jest już w użyciu, a naukowcy badają, w jaki sposób dane tekstowe pochodzące z różnorodnych źródeł, takich jak media społecznościowe i dokumentacja medyczna, mogą poprawić przewidywanie ryzyka.
Jeśli Twoja organizacja chce wykorzystać potencjał automatyzacji opartej na sztucznej inteligencji, zapoznaj się z najnowocześniejszymi rozwiązaniami oferowanymi przez implementi.ai.
Więcej informacji na temat tej wiadomości znajdziesz tutaj tutaj.
Ta strona używa plików cookie.