Novi softverski alat može predvidjeti pojedinačni rizik za PTSP
Istražitelji su stvorili softverski model koji može precizno identificirati 800 različitih načina na koje su ljudi pod povećanim rizikom od posttraumatskog stresnog poremećaja (PTSP).
Istraživači sa Sveučilišta New York Langone Medical Center vjeruju da će novi model po prvi puta dopustiti personalizirani vodič za predviđanje PTSP-a.
Rezultati studije objavljeni su u časopisu BMC psihijatrija.
"Naše istraživanje pokazuje da se visoko rizične osobe koje su doživjele traumatični događaj mogu identificirati manje od dva tjedna nakon što su prvi put viđeni na hitnom odjelu", kaže dr. Arieh Y. Shalev, profesorica Barbare Wilson na Odjelu za psihijatriju na Sveučilištu New York Langone.
"Do sada nismo imali alat - u ovom slučaju računski algoritam - koji može vagati na mnogo različitih načina na koji se trauma događa pojedincima i pruža personaliziranu procjenu rizika."
Povijesno gledano, kliničari su bili ograničeni računalnim metodama koje su samo mogle izračunati prosječni rizik za cijele skupine preživjelih. A one su se pokazale nedovoljnima kao pojedinačni alat za predviđanje rizika.
Novi algoritam primijenio je alate za predviđanje rizika koji se trenutno koriste za predviđanje rasta raka, za predviđanje PTSP-a.
Istraživači su osmislili studiju kako bi otkrili zamjenjive, maksimalno predviđajuće skupove ranih pokazatelja rizika i izgradili novi algoritam koristeći model prethodno razvijen u Sveučilištu New York Center for Health Bioinformatics za molekularna i karcinomska istraživanja.
Alat je pokazao da, kada se primijeni na podatke prikupljene u roku od deset dana od traumatičnog događaja, može točnije predvidjeti tko će vjerojatno razviti PTSP unatoč mnogim načinima na koje se događaju traumatični događaji.
Podaci uvršteni u algoritam uključuju varijable o vrsti događaja, ranim simptomima i nalazima hitne službe.
"Donedavno smo uglavnom koristili rane simptome za predviđanje PTSP-a, a imao je i svojih nedostataka", rekao je Shalev.
„Ova studija proširuje našu sposobnost učinkovitog predviđanja. Na primjer, pokazuje da se značajke poput pojave traume glave, trajanja boravka u hitnom odjelu ili preživjelih koji izražavaju potrebu za pomoći mogu integrirati u alat za predviđanje i poboljšati predviđanje. "
Osmišljavanje snažnog prediktivnog modela također je imperativ za prilagođavanje napora na prevenciji za ljude kojima prijeti razvoj PTSP-a, dodaje Shalev.
Najnovije Shalev-ovo istraživanje temelji se na podacima izvorno prikupljenim iz Jeruzalemske studije o dosegu i prevenciji traume, koju su on i kolege proveli u bolnici Hadassah u Izraelu i koja je prethodno objavljena u Arhiva opće psihijatrije.
To je istraživanje zaključilo da su dva oblika kognitivno-bihevioralne terapije, produljena izloženost i kognitivna terapija, podjednako učinkovita u prevenciji PTSP-a kod nedavno preživjelih.
Shalev je, međutim, upozorio da je ova publikacija "dokaz koncepta". Za snažno predviđanje u različitim uvjetima, rekao je, identificirani algoritam treba koristiti za prikupljanje znanja stečenog u traumatičnim događajima koje su iskusile druge populacije pacijenata i traumatičnih događaja, osim onih analiziranih iz ranije studije.
Da bi izgradio generalizirani prediktivni model, istraživački tim već je dobio skupove podataka iz 19 drugih centara širom svijeta u studiji, financiranoj od strane Nacionalnog instituta za mentalno zdravlje, osmišljene da proizvedu sveobuhvatan algoritam predviđanja. Provodi se u suradnji s istraživačima sa sveučilišta Columbia i Harvard,
"U budućnosti se nadamo da ćemo moći bolje prilagoditi pristupe liječenju na temelju personalizirane procjene rizika", rekao je Shalev. "PTSP nanosi velike žrtve pogođenim pojedincima i društvu."
Nova istraživanja u SAD-u i putem Svjetske zdravstvene organizacije sugeriraju da će većina odraslih odraslih doživjeti barem jedan traumatičan događaj tijekom svog života. Štoviše, pet do deset posto osoba izloženih traumatičnim događajima može razviti PTSP.
Izvor: Medicinski centar Langone Sveučilišta New York / EurekAlert
