Prediction of suicide among elderly individuals in Europe: a machine learning study

Introduction Suicide takes approximately 700,000 lives annually. The highest rates of suicide in the US and Europe are among older adult males, with significant differences among ethnic groups and educational levels. Despite a global decline in overall suicide rates from 1990 to 2017, the elderly, particularly those aged 65 and above, continue to experience disproportionately high suicide rates worldwide. However, there is a lack of tools to predict the risk of suicide in this demographic accurately. In this study, we utilized data from the Survey of Health, Ageing, and Retirement in Europe (SHARE) to develop a machine learning model aimed at identifying predictors of suicide in late life. Methods The SHARE dataset (Survey of Health, Ageing and Retirement in Europe) is a detailed long-term study that began in 2004. It provides extensive information about the health, financial, and social well-being of people aged 50 and older in several European countries. We matched posthumous interviews with pre-death health, age, and social data to extract significant variables that could predict death by suicide. We matched 73 individuals who died by suicide with those who died accidentally based on factors such as sex (28.8% female in total), age at death (67±16.4 years), suicidal thoughts, and the number of chronic illnesses. Using a random forest algorithm, we trained the model to extract key variables for predicting suicide, which was then tested on a separate dataset. Results This study involved 146 individuals, half of whom died by suicide and the other half from accidental causes. Most of the participants were male, with an average age at death of approximately 68 years. Post-mortem interviews were typically conducted by partners (40.4%), followed by children (19.2%), and non-relatives in a significant minority of cases. Daily contact with next-of-kin was prevalent (59.6%), and many individuals experienced brief illnesses before passing away, with 59.6% having an illness duration of less than one month. Most participants spent 1-4 weeks hospitalized in their final year, with a majority receiving medical attention from a general practitioner and being prescribed medication. Challenges in activities of daily living (ADL) and chronic illnesses were common among the sample. Suicidal thoughts were reported by only a small fraction of respondents. Individuals who died by suicide tended to have longer illness durations compared to those who died accidentally. The model, trained on 80% of the dataset, achieved an overall accuracy of 79% (95% CI 0.60-0.92, p = 0.002), with a sensitivity of 0.80 and a specificity of 0.78. Significant predictors of suicide included illness duration, frequency of contact with next-of-kin, and the number of living children. Prolonged illness, infrequent contact with next-of-kin, and having fewer children were associated with increased suicide risk.

Riassunto Presupposti dello studio Il suicidio causa approssimativamente 700.000 morti ogni anno. I tassi più alti di suicidio negli Stati Uniti e in Europa si riscontrano tra gli uomini adulti anziani. Nonostante un calo globale dei tassi complessivi di suicidio dal 1990 al 2017, gli anziani, in particolare quelli di età pari o superiore a 65 anni, continuano a sperimentare tassi di suicidio sproporzionatamente alti in tutto il mondo: proprio per questo motivo si rende necessaria la creazione di uno strumento in grado di prevedere accuratamente il rischio di suicidio in questa fascia demografica. Scopo dello studio In questo studio, abbiamo utilizzato i dati del Survey of Health, Ageing, and Retirement in Europe (SHARE) per sviluppare un modello di machine learning volto a identificare i predittori di suicidio in tarda età. Materiali e Metodi Il dataset SHARE (Survey of Health, Ageing and Retirement in Europe) è uno studio dettagliato a lungo termine iniziato nel 2004. Esso fornisce informazioni esaustive sul benessere sanitario, finanziario e sociale delle persone di età pari o superiore a 50 anni in diversi paesi europei. Abbiamo confrontato le interviste postume al decesso con i dati di salute, età e sociali, informazioni dell’ultima intervista fatta al singolo paziente, per estrarre le variabili significative che potrebbero prevedere la morte per suicidio. Abbiamo abbinato 73 individui deceduti per suicidio con coloro che sono morti accidentalmente in base a fattori quali sesso (28,8% donne in totale), età alla morte (67±16,4 anni), pensieri suicidari e numero di malattie croniche. Abbiamo addestrato un modello di Random Forest per estrarre le variabili chiave per prevedere il suicidio, che è stato poi testato successivamente su una parte del dataset conservata per questo scopo. Risultati Questo studio ha coinvolto 146 individui, metà dei quali sono morti per suicidio e l'altra metà per cause accidentali. La maggior parte dei partecipanti era di sesso maschile, con un'età media alla morte di circa 68 anni. Le interviste postume sono state generalmente condotte dai partner (40,4%), seguiti dai figli (19,2%) e da non parenti in una minoranza significativa dei casi. Il contatto quotidiano con i parenti stretti era frequente (59,6%) e molti individui hanno sperimentato malattie di breve durata prima del decesso, con il 59,6% che aveva una durata della malattia inferiore a un mese. La maggior parte dei partecipanti ha trascorso da 1 a 4 settimane in ospedale nel loro ultimo anno di vita, con una maggioranza che ha ricevuto assistenza medica da un medico di medicina generale, e ha ricevuto prescrizioni di farmaci. Sfide nelle attività della vita quotidiana (ADL) e malattie croniche erano comuni nel campione preso in considerazione; tuttavia, i pensieri suicidari sono stati riportati solo da una piccola frazione di rispondenti. Gli individui deceduti per suicidio tendevano ad avere una durata della malattia più lunga rispetto a quelli deceduti accidentalmente. Il modello, addestrato sull'80% del dataset, ha raggiunto una precisione complessiva del 79% (IC 95% 0.60-0.92, p = 0.002), con una sensibilità dello 0.80 e una specificità dello 0.78. I predittori significativi di suicidio includevano la durata della malattia, la frequenza di contatto con i parenti stretti e il numero di figli viventi. Una malattia prolungata, scarsi contatti con parenti stretti, e un minor numero di figli, erano associati a un aumento del rischio di suicidio.