Resumen
El objetivo de este artículo fue determinar si los datos históricos longitudinales, comúnmente disponibles en los sistemas de registro electrónico de salud (EHR), pueden utilizarse para predecir el futuro riesgo de suicidio de los pacientes. Los modelos bayesianos se desarrollaron utilizando un enfoque de cohortes retrospectivo. Se utilizaron datos de EHR de una gran base de datos de atención médica que abarcaba 15 años (1998-2012) de visitas de pacientes hospitalizados y ambulatorios para predecir la conducta suicida documentada en el futuro (es decir, intento de suicidio o muerte). Se incluyeron pacientes con tres o más visitas (N = 1.728.549). La definición de la conducta suicida basada en CIE-9 se derivó de la revisión por consenso de un experto clínico de 2.700 notas narrativas de EHR (de 520 pacientes), complementadas por certificados de defunción estatales. El rendimiento del modelo se evaluó retrospectivamente utilizando un conjunto de pruebas independientes.
Entre la población estudiada, el 1,2% (N = 20,246) cumplió con la definición de caso de conducta suicida. El modelo alcanzó una predicción sensible (33% -45% de sensibilidad), específica (90% -95% de especificidad) y temprana (3-4 años de anticipación en promedio) de la conducta suicida futura de los pacientes. Los factores predictivos más fuertes identificados por el modelo incluyeron factores de riesgo bien conocidos (por ejemplo, abuso de sustancias y trastornos psiquiátricos) y menos convencionales (por ejemplo, ciertas lesiones y condiciones crónicas), lo que indica que un enfoque basado en datos puede producir perfiles de riesgo más amplios.
Los datos longitudinales de EHR, comúnmente disponibles en entornos clínicos, pueden ser útiles para predecir el riesgo futuro de conducta suicida. Este enfoque de modelado podría servir como un sistema de alerta temprana para ayudar a los clínicos a identificar a los pacientes de alto riesgo para el cribaje adicional. Mediante el análisis de la amplitud fenotípica completa de EHR, los enfoques de detección automatizada de riesgos pueden mejorar la predicción más allá de lo que es factible para los médicos individuales.
Para acceder al texto completo consulte las características de suscripción de la fuente original: http://ajp.psychiatryonline.org/
