Przemoc w związku partnerskim (IPV – intimate partner violence) pozostaje jednym z najpoważniejszych, a jednocześnie najtrudniejszych do wykrycia problemów zdrowia publicznego. Choć dotyka milionów osób na całym świecie, bardzo często pozostaje niewidoczna dla systemu ochrony zdrowia, ponieważ ofiary rzadko ujawniają ją lekarzom. Nowe badanie naukowców z Mass General Brigham wskazuje jednak, że sztuczna inteligencja może pomóc w identyfikacji osób zagrożonych przemocą nawet kilka lat przed oficjalnym zgłoszeniem problemu.
Badanie opublikowane w czasopiśmie npj Women’s Health pokazuje, że modele uczenia maszynowego analizujące elektroniczną dokumentację medyczną (EMR) mogą przewidywać ryzyko przemocy w związku partnerskim średnio nawet 3,7 roku wcześniej, a w niektórych przypadkach nawet do czterech lat przed zgłoszeniem się pacjenta do ośrodka pomocy. Wyniki te otwierają nowe możliwości w zakresie profilaktyki i wczesnej interwencji w systemie opieki zdrowotnej.
Z tego artykułu dowiesz się…
- Jak narzędzia oparte na sztucznej inteligencji mogą identyfikować ryzyko przemocy w związku partnerskim (IPV) na podstawie danych z elektronicznej dokumentacji medycznej.
- Dlaczego modele uczenia maszynowego potrafią przewidywać przypadki przemocy nawet kilka lat wcześniej, zanim pacjent zgłosi się do ośrodka wsparcia.
- Jakie czynniki kliniczne i społeczne mogą sygnalizować podwyższone ryzyko przemocy, w tym zaburzenia psychiczne, przewlekły ból czy częste wizyty na oddziale ratunkowym.
- W jaki sposób sztuczna inteligencja może wspierać lekarzy w prowadzeniu wcześniejszych rozmów z pacjentami i inicjowaniu działań zapobiegających poważnym konsekwencjom zdrowotnym.
Przemoc partnerska – powszechny, lecz często ukryty problem
Według danych przywoływanych w badaniu ponad jedna trzecia kobiet oraz około jeden na dziesięciu mężczyzn doświadcza przemocy ze strony partnera w ciągu życia. Mimo tak dużej skali zjawiska, przypadki przemocy są często niewykrywane przez system ochrony zdrowia. Istnieje kilka powodów, dla których pacjenci nie ujawniają przemocy lekarzom. Najczęściej wskazywane bariery obejmują:
- strach przed sprawcą,
- stygmatyzację społeczną,
- zależność finansową lub emocjonalną od partnera,
- brak poczucia bezpieczeństwa podczas rozmowy z personelem medycznym.
Badania pokazują jednak, że osoby doświadczające przemocy znacznie częściej ujawniają problem, jeśli lekarz lub pielęgniarka zapyta o to w sposób prywatny, empatyczny i uwzględniający doświadczenie traumy. Dlatego tak duże znaczenie ma identyfikacja pacjentów z podwyższonym ryzykiem.
Sztuczna inteligencja analizuje dokumentację medyczną
Zespół badawczy kierowany przez dr Bharti Khuranę z Mass General Brigham we współpracy z naukowcami z Massachusetts Institute of Technology (MIT) opracował zestaw narzędzi opartych na uczeniu maszynowym. Celem było stworzenie modeli zdolnych do identyfikacji wzorców w elektronicznej dokumentacji medycznej, które mogą wskazywać na ryzyko przemocy w związku.
Nasze badania stanowią dowód na to, że sztuczna inteligencja może wspierać lekarzy we wcześniejszym sygnalizowaniu potencjalnych nadużyć – powiedziała dr Bharti Khurana, MBA, główna badaczka, autorka korespondencyjna i starsza autorka, dyrektor założycielka Centrum Badań i Innowacji w dziedzinie Obrazowania Urazów oraz radiolog w oddziale radiologii Mass General Brigham. Wcześniejsza identyfikacja przemocy w związku partnerskim i przyszłego ryzyka może umożliwić lekarzom wcześniejszą interwencję i pomóc w zapobieganiu poważnym konsekwencjom dla zdrowia psychicznego i fizycznego.
Do trenowania modeli wykorzystano dane z elektronicznej dokumentacji medycznej 673 kobiet, które w latach 2017–2022 zgłosiły się do ośrodka interwencji w przypadkach przemocy domowej w akademickim systemie opieki zdrowotnej w USA. Dane te zestawiono z 4169 pacjentami z grupy kontrolnej, dopasowanymi demograficznie, którzy nie zgłosili przemocy.
Trzy modele sztucznej inteligencji w analizie ryzyka
Naukowcy opracowali trzy odrębne modele uczenia maszynowego, analizujące różne typy danych medycznych.
Model danych tabelarycznych
Pierwszy model analizował ustrukturyzowane dane z elektronicznej dokumentacji medycznej, w tym:
- diagnozy chorób,
- przepisywane leki,
- informacje socjoekonomiczne, takie jak wskaźnik deprywacji społecznej wynikający z kodu pocztowego pacjenta.
Model analizy notatek klinicznych
Drugi model opierał się na analizie nieustrukturyzowanych danych, takich jak:
- notatki kliniczne lekarzy,
- raporty z oddziałów ratunkowych,
- opisy badań radiologicznych.
Model fuzyjny HAIM
Najbardziej zaawansowany był model łączący oba typy danych – nazwany Holistyczną Sztuczną Inteligencją w Medycynie (HAIM). Integracja informacji strukturalnych i tekstowych pozwoliła na bardziej kompleksową ocenę ryzyka.
Wysoka skuteczność predykcyjna modeli
W badaniu walidacyjnym przeprowadzonym na 168 pacjentach korzystających z ośrodka wsparcia dla ofiar przemocy oraz 1043 osobach z grupy kontrolnej wszystkie modele wykazały wysoką dokładność predykcyjną. Najlepsze wyniki osiągnął model fuzyjny HAIM, którego dokładność wyniosła 88%.
Co istotne, analiza archiwalnej dokumentacji medycznej wykazała, że model był w stanie przewidzieć 80,5% przypadków przemocy jeszcze zanim pacjent zgłosił się po pomoc. W wielu sytuacjach predykcja była możliwa ponad 3,7 roku wcześniej. Dodatkowo skuteczność modeli potwierdzono w dwóch niezależnych grupach pacjentów, które nie były wcześniej wykorzystywane w procesie trenowania algorytmów.
Jakie sygnały ostrzegawcze wykryła sztuczna inteligencja?
Nowe badanie potwierdziło część wcześniej znanych czynników ryzyka, ale również wskazało nowe potencjalne sygnały ostrzegawcze obecne w dokumentacji medycznej. Do czynników zwiększających ryzyko przemocy partnerskiej należały m.in.:
- zaburzenia psychiczne,
- przewlekły ból,
- częste wizyty na oddziałach ratunkowych,
- powtarzające się urazy wymagające diagnostyki obrazowej.
Z kolei pacjenci regularnie korzystający z profilaktycznych usług medycznych – takich jak mammografia czy szczepienia – wykazywali statystycznie niższe ryzyko doświadczenia przemocy partnerskiej.
Ograniczenia badań i dalsze kierunki rozwoju
Autorzy podkreślają, że narzędzia AI były trenowane na danych pacjentów, którzy ostatecznie zgłosili przemoc lub skorzystali z pomocy specjalistycznej. Oznacza to, że modele mogą być mniej skuteczne w identyfikacji osób, które nigdy nie ujawniły przemocy lub nie zgłosiły się po pomoc. Dodatkowym ograniczeniem jest możliwość występowania fałszywie ujemnych przypadków w grupie kontrolnej – czyli osób, które doświadczyły przemocy, lecz jej nie zgłosiły. Zdaniem autorów dalsze prace powinny obejmować:
- analizę większych i bardziej zróżnicowanych populacji pacjentów,
- wydłużenie okresu obserwacji,
- integrację danych z różnych systemów opieki zdrowotnej.
Takie podejście może znacząco zwiększyć dokładność modeli predykcyjnych.
Rola systemu ochrony zdrowia w zapobieganiu przemocy
Eksperci podkreślają, że narzędzia oparte na sztucznej inteligencji nie zastąpią lekarzy, ale mogą stanowić ważne wsparcie dla personelu medycznego. Algorytmy predykcyjne mogą:
- sygnalizować potencjalne ryzyko przemocy,
- wspierać decyzję o przeprowadzeniu rozmowy przesiewowej,
- ułatwiać wczesną interwencję i skierowanie pacjenta do odpowiednich form wsparcia.
W praktyce oznacza to przesunięcie systemu opieki zdrowotnej z modelu reaktywnego – reagującego dopiero po ujawnieniu przemocy – w stronę modelu proaktywnego wykrywania ryzyka.
Główne wnioski
- Modele sztucznej inteligencji analizujące elektroniczną dokumentację medyczną (EMR) mogą identyfikować osoby zagrożone przemocą w związku partnerskim nawet kilka lat przed zgłoszeniem się po pomoc.
- Model fuzyjny HAIM osiągnął najwyższą skuteczność predykcyjną – około 88%, łącząc dane ustrukturyzowane (diagnozy, leki, czynniki socjoekonomiczne) oraz nieustrukturyzowane notatki kliniczne.
- Algorytm był w stanie przewidzieć około 80,5% przypadków przemocy średnio ponad 3,7 roku przed wizytą pacjenta w ośrodku interwencji przemocy domowej.
- Do czynników ryzyka wykrytych w dokumentacji medycznej należały m.in. zaburzenia psychiczne, przewlekły ból oraz częste wizyty na oddziałach ratunkowych, podczas gdy regularne korzystanie z profilaktyki medycznej wiązało się z niższym ryzykiem.
Źródło:
- https://www.nature.com/articles/s44294-025-00126-3
