BACKGROUND: Suicide is a global public health issue. All ages, sexes, and regions of the world are affected. World Health Organization (WHO) highlights the importance of suicide prevention as a global imperative and suggests prevention should consider both risk and protective factors and that interventions should consist of population-wide strategies supported by strategy targeting individuals at higher risk. Suicide prediction models have the potential to improve the identification of patients at elevated risk of suicide using predictive algorithms based on the presence of risk and protective factors facilitating the development of effective and targeted prevention strategies. A multifactorial phenomenon such as suicide requires multifaceted approaches, and machine learning appeared as a promising analytical tool for integrating complex risk factors into clinical signatures of suicide. AIM OF THE STUDY: The study aims to develop a machine learning model to be used for predicting suicidal behaviour in high-risk individuals 30 and 90 days after discharge from psychiatric wards in Veneto region and in Slovenia. Material and methods The study is divided into two phases: enrolment and follow-up 30 and 90 days after discharge. Our study is longitudinal, prospective, observational, multisite, and international. Patients aged 18 years or older hospitalized for suicide attempt, suicidal ideation or crisis will be included. Data collection includes psychometric tools, diagnostic tests, sociodemographic and clinical data. RESULTS: The study so far consists of an initial sample of 41 recruited subjects. Interesting results emerged that could change the course of the study. The sample was found to present many criteria of the suicide risk assessment scales and to be representative of the main psychological theories of suicide, confirming the validity of the inclusion criteria as it is composed mostly of subjects at high risk of suicide. No significant differences emerged between the group of participants hospitalized for suicide attempt (n=25) and the group of participants hospitalized for suicidal ideation or crisis (n=15), confirming the homogeneity of the recruited sample. In this initial sample we have so far available follow-up data from 18 participants During the follow up 5 (27.8%) participants attempted suicide again following discharge, with a "re-attempt" rate much higher than the expected one of 5% at 90 days, and around 22% at 90 days. This data would make a smaller sample size than previously expected of 2000 participants sufficient as well as confirming the relevance of the ongoing study. Furthermore, 2 participants (40.0%) who attempted suicide in the follow up had previously been hospitalized for suicidal ideation, confirming the utility of including them in the sample as they are at high risk of suicide in the short term. CONCLUSION: The results of this initial sample confirm the feasibility and validity as well as the relevance of the study to be carried out, which will allow us to obtain relevant data for the prediction of suicide.

PRESUPPOSTI DELLO STUDIO: Il suicidio è un serio problema di salute pubblica globale, che colpisce individui di entrambi i sessi, di tutte le età e in tutto il mondo. L’Organizzazione Mondiale della Sanità (OMS) sottolinea l’importanza della prevenzione del suicidio come imperativo globale e suggerisce che la prevenzione consideri sia i fattori di rischio che quelli protettivi e che gli interventi si compongano di strategie rivolte all’intera popolazione affiancate da strategia mirate agli individui a rischio più elevato. I modelli di predizione del suicidio hanno il potenziale per migliorare l’identificazione dei pazienti ad elevato rischio di suicidio utilizzando algoritmi predittivi basati sulla presenza di fattori di rischio e protettivi facilitando lo sviluppo di strategie di prevenzione efficaci e mirate. Un fenomeno multifattoriale come il suicidio richiede tuttavia approcci sfaccettati e il machine learning è emerso come uno strumento analitico promettente per integrare fattori di rischio complessi nelle forme cliniche del suicidio. SCOPO DELLO STUDIO: Lo studio mira a sviluppare un modello di machine learning da utilizzare per la predizione del comportamento suicidario in individui ad alto rischio a 30 e 90 giorni dalla dimissione dai reparti psichiatrici della Regione Veneto e in Slovenia. Materiali e metodi Il nostro studio è longitudinale, prospettico, osservazionale, multicentrico e internazionale. Lo studio è diviso in due fasi: arruolamento, e follow-up a 30 e 90 giorni dalla dimissione. Saranno inclusi pazienti di età pari o superiore a 18 anni ricoverati per tentativo di suicidio, ideazione o crisi suicidaria. La raccolta dei dati comprende strumenti psicometrici, test diagnostici e dati sociodemografici e clinici. RISULTATI: Lo studio finora è composto da un campione iniziale di 41 soggetti reclutati. Sono emersi alcuni risultati interessanti che potrebbero modificare il corso dello studio. Il campione è risultato presentare molti criteri delle scale di valutazione del rischio suicidario ed essere rappresentativo delle principali teorie psicologiche del suicidio, confermando la validità dei criteri di inclusione essendo composto per la maggior parte da soggetti ad alto rischio di suicidio. Non sono emerse particolari differenze tra il gruppo di partecipanti ricoverati per ideazione o crisi suicidaria(n=15) e il gruppo di partecipanti ricoverati per tentativo di suicidio(n=25), confermando l’omogeneità del campione reclutato. In questo iniziale campione abbiamo finora a disposizione i dati di follow up di 18 partecipanti. Durante il follow up ci sono stati 5(27.8%) partecipanti, che in seguito alla dimissione hanno tentato nuovamente il suicidio, con un tasso di “re-attempt” del 22% a 90 giorni molto superiore a quello atteso del 5%. Questo dato renderebbe sufficiente un campione di numerosità inferiore a quella precedentemente prevista di 2000 partecipanti oltre a confermare la rilevanza dello studio in corso. Inoltre, 2 partecipanti (40.0%) che hanno tentato il suicidio nel follow up erano stati ricoverati in precedenza per ideazione suicidaria, confermando l’utilità di includerli nel campione poiché ad alto rischio di suicidio nel breve termine. CONCLUSIONI: I risultati di questo campione iniziale confermano la fattibilità e la validità oltre che la rilevanza dello studio che verrà svolto, il quale permetterà di ottenere dati rilevanti per la predizione del suicidio.

Predizione del suicidio post dimissione: Uno studio longitudinale prospettico

PITTON, GIACOMO
2023/2024

Abstract

BACKGROUND: Suicide is a global public health issue. All ages, sexes, and regions of the world are affected. World Health Organization (WHO) highlights the importance of suicide prevention as a global imperative and suggests prevention should consider both risk and protective factors and that interventions should consist of population-wide strategies supported by strategy targeting individuals at higher risk. Suicide prediction models have the potential to improve the identification of patients at elevated risk of suicide using predictive algorithms based on the presence of risk and protective factors facilitating the development of effective and targeted prevention strategies. A multifactorial phenomenon such as suicide requires multifaceted approaches, and machine learning appeared as a promising analytical tool for integrating complex risk factors into clinical signatures of suicide. AIM OF THE STUDY: The study aims to develop a machine learning model to be used for predicting suicidal behaviour in high-risk individuals 30 and 90 days after discharge from psychiatric wards in Veneto region and in Slovenia. Material and methods The study is divided into two phases: enrolment and follow-up 30 and 90 days after discharge. Our study is longitudinal, prospective, observational, multisite, and international. Patients aged 18 years or older hospitalized for suicide attempt, suicidal ideation or crisis will be included. Data collection includes psychometric tools, diagnostic tests, sociodemographic and clinical data. RESULTS: The study so far consists of an initial sample of 41 recruited subjects. Interesting results emerged that could change the course of the study. The sample was found to present many criteria of the suicide risk assessment scales and to be representative of the main psychological theories of suicide, confirming the validity of the inclusion criteria as it is composed mostly of subjects at high risk of suicide. No significant differences emerged between the group of participants hospitalized for suicide attempt (n=25) and the group of participants hospitalized for suicidal ideation or crisis (n=15), confirming the homogeneity of the recruited sample. In this initial sample we have so far available follow-up data from 18 participants During the follow up 5 (27.8%) participants attempted suicide again following discharge, with a "re-attempt" rate much higher than the expected one of 5% at 90 days, and around 22% at 90 days. This data would make a smaller sample size than previously expected of 2000 participants sufficient as well as confirming the relevance of the ongoing study. Furthermore, 2 participants (40.0%) who attempted suicide in the follow up had previously been hospitalized for suicidal ideation, confirming the utility of including them in the sample as they are at high risk of suicide in the short term. CONCLUSION: The results of this initial sample confirm the feasibility and validity as well as the relevance of the study to be carried out, which will allow us to obtain relevant data for the prediction of suicide.
2023
Prediction of postdischarge suicide: A prospective longitudinal study
PRESUPPOSTI DELLO STUDIO: Il suicidio è un serio problema di salute pubblica globale, che colpisce individui di entrambi i sessi, di tutte le età e in tutto il mondo. L’Organizzazione Mondiale della Sanità (OMS) sottolinea l’importanza della prevenzione del suicidio come imperativo globale e suggerisce che la prevenzione consideri sia i fattori di rischio che quelli protettivi e che gli interventi si compongano di strategie rivolte all’intera popolazione affiancate da strategia mirate agli individui a rischio più elevato. I modelli di predizione del suicidio hanno il potenziale per migliorare l’identificazione dei pazienti ad elevato rischio di suicidio utilizzando algoritmi predittivi basati sulla presenza di fattori di rischio e protettivi facilitando lo sviluppo di strategie di prevenzione efficaci e mirate. Un fenomeno multifattoriale come il suicidio richiede tuttavia approcci sfaccettati e il machine learning è emerso come uno strumento analitico promettente per integrare fattori di rischio complessi nelle forme cliniche del suicidio. SCOPO DELLO STUDIO: Lo studio mira a sviluppare un modello di machine learning da utilizzare per la predizione del comportamento suicidario in individui ad alto rischio a 30 e 90 giorni dalla dimissione dai reparti psichiatrici della Regione Veneto e in Slovenia. Materiali e metodi Il nostro studio è longitudinale, prospettico, osservazionale, multicentrico e internazionale. Lo studio è diviso in due fasi: arruolamento, e follow-up a 30 e 90 giorni dalla dimissione. Saranno inclusi pazienti di età pari o superiore a 18 anni ricoverati per tentativo di suicidio, ideazione o crisi suicidaria. La raccolta dei dati comprende strumenti psicometrici, test diagnostici e dati sociodemografici e clinici. RISULTATI: Lo studio finora è composto da un campione iniziale di 41 soggetti reclutati. Sono emersi alcuni risultati interessanti che potrebbero modificare il corso dello studio. Il campione è risultato presentare molti criteri delle scale di valutazione del rischio suicidario ed essere rappresentativo delle principali teorie psicologiche del suicidio, confermando la validità dei criteri di inclusione essendo composto per la maggior parte da soggetti ad alto rischio di suicidio. Non sono emerse particolari differenze tra il gruppo di partecipanti ricoverati per ideazione o crisi suicidaria(n=15) e il gruppo di partecipanti ricoverati per tentativo di suicidio(n=25), confermando l’omogeneità del campione reclutato. In questo iniziale campione abbiamo finora a disposizione i dati di follow up di 18 partecipanti. Durante il follow up ci sono stati 5(27.8%) partecipanti, che in seguito alla dimissione hanno tentato nuovamente il suicidio, con un tasso di “re-attempt” del 22% a 90 giorni molto superiore a quello atteso del 5%. Questo dato renderebbe sufficiente un campione di numerosità inferiore a quella precedentemente prevista di 2000 partecipanti oltre a confermare la rilevanza dello studio in corso. Inoltre, 2 partecipanti (40.0%) che hanno tentato il suicidio nel follow up erano stati ricoverati in precedenza per ideazione suicidaria, confermando l’utilità di includerli nel campione poiché ad alto rischio di suicidio nel breve termine. CONCLUSIONI: I risultati di questo campione iniziale confermano la fattibilità e la validità oltre che la rilevanza dello studio che verrà svolto, il quale permetterà di ottenere dati rilevanti per la predizione del suicidio.
Suicidio
Predizione
Prevenzione
File in questo prodotto:
File Dimensione Formato  
TESI_Pitton_Giacomo.pdf

accesso aperto

Dimensione 773 kB
Formato Adobe PDF
773 kB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/67030