Các nhà khoa học Australia đã tìm cách hạn chế tình trạng này bằng trí thông minh nhân tạo.

Theo Tiến sĩ Karen Kusuma, Đại học New South Wales (Australia), việc tự tử ảnh hưởng đến nhiều người và gây ra hậu quả sâu rộng cho gia đình, bạn bè và cộng đồng.

Bà Kusuma và nhóm các nhà khoa học từ Viện Black Dog và Trung tâm Nghiên cứu dữ liệu lớn về sức khỏe thực hiện đã tiến hành một nghiên cứu. Họ xem xét khả năng của các mô hình học máy (machine learning) trong việc dự đoán các hành vi và suy nghĩ tự tử tiềm ẩn.

Các nhà khoa học đã đánh giá hiệu quả của 54 thuật toán được các nhà nghiên cứu tạo ra trước đây để dự đoán các kết quả liên quan đến ý tưởng, nỗ lực và cái chết liên quan đến tự sát.

Phân tích tổng hợp trên mới đây được công bố trên Tạp chí Nghiên cứu tâm thần cho thấy, các mô hình máy hóa (một biểu hiện của một thuật toán quét qua hàng núi dữ liệu để tìm ra các mẫu hình hoặc đưa ra dự đoán) hoạt động tốt hơn các mô hình dự đoán rủi ro thông thường trong việc phán đoán các kết quả liên quan đến tự tử, vốn thường hoạt động kém.

Mô hình đánh giá truyền thống

Để ngăn chặn và quản lý các hành vi tự sát, điều cốt yếu là phải xác định được những người có nguy cơ tự sát. Tuy nhiên, dự đoán nguy cơ này là một thách thức.

Tại các khoa cấp cứu, bác sĩ thường sử dụng các công cụ đánh giá rủi ro như bảng câu hỏi và thang đánh giá, để xác định chính xác những bệnh nhân có nguy cơ tự tử cao. Tuy nhiên, bằng chứng chỉ ra rằng chúng không hiệu quả trong việc xác định chính xác nguy cơ tự tử trong thực tế.

Theo Tiến sĩ Kusuma, mặc dù có một số yếu tố phổ biến được cho là liên quan đến các nỗ lực tự sát, nhưng nguy cơ của người này có thể rất khác với người khác. Đồng thời, việc tự sát rất phức tạp, với nhiều yếu tố thay đổi khiến việc đánh giá rủi ro bằng quy trình đánh giá này trở nên khó khăn.

Một phân tích sau khi khám nghiệm tử thi về những người chết do tự tử ở

Queensland cho thấy, trong số những người được đánh giá nguy cơ tự tử chính thức, 75% được xếp vào loại có nguy cơ thấp và không có trường hợp nào được xếp vào loại có nguy cơ cao.

Bà Kusuma cho biết tự tử là nguyên nhân hàng đầu khiến nhiều người chết trong nhiều năm ở nhiều nơi trên thế giới, bao gồm Australia. Tuy nhiên, cách thức đánh giá nguy cơ tự tử gần đây chưa được cải thiện và số ca tử vong do tự tử chưa giảm nhiều. Trong một số năm, con số này còn gia tăng.

Mặc dù thiếu bằng chứng ủng hộ các cách truyền thống đánh giá nguy cơ tự tử, đây vẫn là một phương pháp tiêu chuẩn tại các cơ sở chăm sóc sức khỏe để xác định mức độ chăm sóc và hỗ trợ cho bệnh nhân. Những người được xác định là có nguy cơ tự tử cao thường được chăm sóc ở mức độ cao nhất, trong khi những người được xác định là có nguy cơ thấp sẽ được xuất viện.

Theo bà Kusuma, thật không may, khi sử dụng cách tiếp cận này, các can thiệp nâng cao không được cung cấp cho những người thực sự cần giúp đỡ. Vì vậy, chúng ta phải cải cách quy trình và khám phá những phương pháp mới để cải thiện việc ngăn ngừa tự tử.

Sàng lọc tự tử bằng máy học

Trí thông minh nhân tạo có thể giúp ngăn chặn việc tự sát. Ảnh: Internet

Bà Kusuma nói rằng, cần có nhiều đổi mới hơn trong lĩnh vực ngăn chặn tự tử và đánh giá lại các mô hình dự đoán nguy cơ tự tử tiêu chuẩn. Nỗ lực cải thiện khả năng dự đoán đã dẫn đến việc bà nghiên cứu sử dụng AI để phát triển các thuật toán dự đoán nguy cơ tự tử.

Theo bà Kusuma, AI có thể thu nhận dữ liệu nhiều hơn bác sĩ lâm sàng nên có thể nhận ra tốt hơn những mô hình nào có liên quan đến nguy cơ tự tử.

Trong nghiên cứu phân tích tổng hợp, các mô hình máy học vượt trội hơn so với các tiêu chuẩn được các mô hình dự đoán nguy cơ tự tử truyền thống thiết lập trước đó. Chúng đã dự đoán chính xác 66% người sẽ trải qua việc tự tử và dự đoán chính xác 87% người sẽ không trải qua việc tự tử.

Tiến sĩ Kusuma nhận định các mô hình học máy có thể dự đoán tốt hơn các trường hợp tử vong do tự tử so với các mô hình dự đoán truyền thống và có thể trở thành một giải pháp thay thế hiệu quả cho các đánh giá rủi ro thông thường.

Các mô hình thống kê truyền thống có thể được áp dụng linh hoạt vào các bộ dữ liệu lớn để mô hình hóa các yếu tố phức tạp liên quan đến tự tử. Chúng cũng có thể kết hợp các nguồn dữ liệu, bao gồm cả phương tiện truyền thông xã hội, để xác định thời kỳ đỉnh điểm của nguy cơ tự tử và nêu thời gian cần có các biện pháp can thiệp nhất.

Bà Kusuma nói: “Theo thời gian, các mô hình học máy có thể được cấu hình để thu nhận dữ liệu phức tạp hơn và lớn hơn nhằm xác định các mô hình liên quan đến nguy cơ tự tử tốt hơn.

Việc sử dụng các thuật toán học máy để dự đoán kết quả liên quan đến tự tử vẫn là một lĩnh vực nghiên cứu mới, với 80% các nghiên cứu được công bố trong 5 năm qua. Bà Kusuma cho biết nghiên cứu trong tương lai sẽ giúp giải quyết nguy cơ sai lệch trong các mô hình thuật toán cho đến nay.

Theo Tiến sĩ Kusuma, cần có thêm nghiên cứu để cải thiện các thuật toán trước khi ứng dụng chúng trong việc ngăn chặn tự tử. Tuy nhiên, nghiên cứu hiện tại cho thấy đây là một con đường đầy hứa hẹn để cải thiện độ chính xác của việc sàng lọc nguy cơ tự tử trong tương lai.