Model Baru Boleh Mengenal Veteran dengan Risiko Bunuh Diri Tinggi

Para penyelidik yang melakukan pengumpulan data dari rekod perubatan elektronik Pentadbiran Kesihatan Veteran (VHA) telah menemui cara untuk mengenal pasti sekumpulan individu yang sangat kecil dalam populasi pesakit VHA dengan risiko bunuh diri yang diramalkan sangat tinggi.

Sebilangan besar dari mereka tidak dikenal pasti berisiko membunuh diri oleh doktor. Kaedah sedemikian dapat membantu VHA untuk menargetkan usaha pencegahan bunuh diri bagi pesakit yang berisiko tinggi, dan mungkin mempunyai manfaat yang lebih luas.

Ahli sains Hal Ehwal Veteran (VA) dan Institut Kesihatan Mental Nasional (NIMH) John McCarthy, Ph.D., M.P.H, Robert Bossarte, Ph.D., dan Ira Katz, M.D. dan rakan-rakan melaporkan penemuan mereka dalam isu dalam talian Jurnal Kesihatan Awam Amerika.

McCarthy dan rakan sekerja mengembangkan algoritma risiko bunuh diri mereka dengan mengkaji populasi pesakit VHA dari tahun fiskal 2009-2011. Data mengenai cara kematian berasal dari Indeks Kematian Nasional, dan peramal bunuh diri dan jenis kematian lain berasal dari rekod klinikal VHA.

Pasukan menggunakan data dari setengah populasi pesakit untuk mengembangkan model ramalan, dan kemudian menguji model tersebut menggunakan data dari separuh yang lain. Setiap dua sampel kajian merangkumi 3.180 kes bunuh diri dan 1,056,004 pesakit kawalan.

Penyelidik membandingkan risiko bunuh diri yang diramalkan dengan kematian sebenar untuk menilai prestasi model ramalan.

"Sebagai penyedia penjagaan kesihatan terbesar di AS, VA mempunyai tanggungjawab untuk terus menerus mengkaji bagaimana usaha pencegahan bunuh diri kami berjalan dengan baik, dan untuk mengenal pasti peluang penting untuk peningkatan perkhidmatan kepada veteran negara kita," kata Dr Caitlin Thompson, timbalan pengarah untuk pencegahan bunuh diri untuk VA.

"Usaha kolaboratif dengan NIMH ini memberikan kita maklumat yang belum pernah terjadi sebelumnya yang akan memungkinkan kita merancang dan melaksanakan strategi inovatif mengenai bagaimana menilai dan merawat para veteran yang mungkin berisiko tinggi untuk bunuh diri.

Model ini akan meningkatkan penjagaan yang diberikan kepada veteran melalui program pencegahan bunuh diri VA untuk membolehkan kita menyesuaikan usaha pencegahan bunuh diri dengan lebih baik sehingga kita dapat memastikan bahawa semua veteran tetap selamat. "

Secara tradisional, sistem penjagaan VHA mengenal pasti pesakit berisiko tinggi untuk membunuh diri berdasarkan maklumat yang dinilai semasa pertemuan klinikal.

Para penyelidik mendapati model ramalan baru lebih sensitif daripada penanda klinikal ini, dalam arti bahawa - walaupun pada kumpulan yang mempunyai risiko bunuh diri yang paling tinggi berdasarkan model ini - kurang dari satu pertiga pesakit telah dikenal pasti secara klinikal.

"Ini sangat berharga, kerana ia memberikan maklumat yang lebih luas kepada VA mengenai risiko bunuh diri," kata Michael Schoenbaum, Ph.D., penasihat kanan perkhidmatan kesihatan mental, epidemiologi dan ekonomi di NIMH dan salah seorang penulis bersama laporan tersebut.

"Sekiranya VA dapat mengenal pasti sekelompok kecil orang dengan risiko bunuh diri yang sangat tinggi, mereka dapat menargetkan peningkatan perkhidmatan pencegahan dan rawatan kepada individu berisiko tinggi ini."

"Sangat menggalakkan bahawa analisis ini menggunakan jenis data yang tersedia untuk sistem penjagaan kesihatan yang besar," kata Pengarah NIMH Thomas Insel, MD. "Kaedah ini dapat membantu kita mencegah bunuh diri orang awam dan juga veteran."

Selain mengenal pasti risiko bunuh diri, pasukan melihat kematian di kalangan orang yang dikenal sebagai risiko bunuh diri paling tinggi pada tahun 2010. Pasukan ini mendapati bahawa kumpulan ini mempunyai kadar kematian bunuh diri dan bukan bunuh diri yang sangat tinggi dalam 12 bulan akan datang.

"Penemuan ini memperkuat gagasan bahawa menggunakan proses ini untuk menargetkan intervensi risiko bunuh diri mungkin memiliki banyak manfaat dalam jangka waktu yang panjang," kata Schoenbaum.

Sumber: NIH / EurekAlert

!-- GDPR -->