מחקר רחב היקף שהתפרסם ב־11 בספטמבר בכתב העתPLOS Medicine , מצא כי אלגוריתמים של למידת מכונה לחיזוי התאבדות ופגיעה עצמית מציגים דיוק נמוך מדי מכדי לשמש כלי סינון או אמצעי לתיעדוף מטופלים בסיכון גבוה
מחקר רחב היקף שהתפרסם ב־11 בספטמבר בכתב העתPLOS Medicine , מצא כי אלגוריתמים של למידת מכונה לחיזוי התאבדות ופגיעה עצמית מציגים דיוק נמוך מדי מכדי לשמש כלי סינון או אמצעי לתיעדוף מטופלים בסיכון גבוה.
המחקר, שנערך על-ידי מתיו ספיטל מאוניברסיטת מלבורן, אוסטרליה, ועמיתיו, בחן 53 מחקרים קודמים שבהם נעשה שימוש בלמידת מכונה לצורך חיזוי התאבדות, פגיעה עצמית או שילוב של השניים. יחד, המחקרים כללו למעלה מ־35 מיליון רשומות רפואיות וכ־250 אלף מקרים של התאבדות או פגיעה עצמית שהצריכה טיפול בבית חולים.
במהלך 50 השנים האחרונות פותחו אינספור סולמות הערכת סיכון לאיתור מטופלים בסיכון גבוה להתאבדות או לפגיעה עצמית. אולם יכולת הניבוי של סולמות אלה נותרה מוגבלת. עם עליית זמינותן של שיטות למידת מכונה ושילובן עם נתוני רשומות רפואיות אלקטרוניות, גבר העניין בפיתוח אלגוריתמים חדשים שיתגברו על המגבלות.
ממצאי המחקר
הסקירה והמטא־אנליזה חשפו כי האלגוריתמים טובים בלחזות מי לא יתאבד או יפגע בעצמו, אך גרועים בלחזות מי כן.
באופן מפורט יותר:
- יותר ממחצית מהאנשים שסווגו כ״בעלי סיכון נמוך״ – חזרו בסופו של דבר לשירותי הבריאות לאחר פגיעה עצמית או מתו בהתאבדות.
- בקרב אלו שסווגו כבעלי סיכון גבוה, רק 6% התאבדו, ופחות מ־20% פנו שוב לשירותי הבריאות בעקבות פגיעה עצמית.
מסקנות החוקרים
"מצאנו כי יכולות החיזוי של אלגוריתמי למידת מכונה אינן טובות יותר מהסולמות המסורתיים.", כתבו החוקרים. "איכות המחקרים בתחום ירודה, וברובם קיימת הטיה משמעותית או חוסר בהירות. אין ראיות מספקות להצדיק שינוי בהנחיות קליניות קיימות."
הם הוסיפו: "יש עניין גובר ביכולת של בינה מלאכותית לזהות מטופלים בסיכון גבוה להתאבדות, אך האלגוריתמים הקיימים אינם מצליחים לחזות במדויק מי יתאבד או מי יפנה שוב לטיפול בעקבות ניסיון התאבדות. שיעורי החיזויים השגויים לפגיעה עצמית גבוהים מאוד."
עוד ציינו: "הנחיות קליניות רבות בעולם ממליצות שלא להסתמך על הערכות סיכון כבסיס למתן טיפול. המחקר שלנו מראה כי גם אלגוריתמים של למידת מכונה אינם משפרים את המצב ביחס לכלים המסורתיים, ולכן אין סיבה לשנות את ההנחיות."
פרטי המאמר
Spittal MJ, Guo XA, Kang L, Kirtley OJ, Clapperton A, Hawton K, et al. (2025).
Machine learning algorithms and their predictive accuracy for suicide and self-harm: Systematic review and meta-analysis.
PLOS Medicine 22(9): e1004581.
DOI: 10.1371/journal.pmed.1004581
