Identification of Suicide-Related Subgroups Using Latent Class Analysis: Complementary Insights to Explainable AI-Based Classification

Este estudio demuestra que el análisis de clases latentes identifica subgrupos clínicamente distintos con prevalencias de suicidio muy variables en pacientes con autolesiones, ofreciendo una perspectiva complementaria a los modelos de clasificación basados en inteligencia artificial explicable que enriquece la comprensión de la heterogeneidad del comportamiento suicida.

Lo esencial

Aquí tienes una explicación sencilla y creativa de este estudio, imaginando que el suicidio y el autolesionismo no son un solo problema gigante, sino un grupo de personas muy diferentes que necesitan entenderse de formas distintas.

🧩 El Gran Rompecabezas: ¿Todos son iguales?

Imagina que llegas a una habitación llena de 1,000 personas que han pasado por momentos muy difíciles (autolesiones o pensamientos suicidas). Si miras a la habitación desde arriba, podrías pensar: "Todos están tristes y en peligro". Pero el estudio dice: "¡Espera! No todos son iguales".

Los investigadores usaron dos herramientas diferentes para entender a estas personas:

1. La Inteligencia Artificial (IA) Explicable: Como un detective muy rápido que mira a cada persona individualmente y dice: "Tú tienes un 80% de riesgo porque tienes estas 3 cosas".
2. El Análisis de Clases Latentes (LCA): Como un organizador de fiestas que agrupa a la gente en mesas según cómo se parecen entre sí, sin importar si son amigos o no.

🪑 Las 4 Mesas de la Fiesta (Los Grupos Descubiertos)

Al usar al "organizador de fiestas" (LCA), descubrieron que la habitación se dividía naturalmente en 4 grupos muy distintos:

• Mesa 1 (Los "Estables"): Un grupo grande y tranquilo. La mayoría son mujeres, tienen trabajo, no están muy tristes y casi nadie ha ido al psiquiatra antes.

  • Riesgo de suicidio: Casi nulo (0.6%).
  • Analogía: Son como personas que se han caído de una bicicleta, se han hecho un rasguño, pero tienen todo el equipo de seguridad y apoyo.

• Mesa 2 (Los "Doloridos pero sin historial"): Un grupo grande, mayormente hombres, muy tristes, con mucha ira, que duermen mal y se sienten solos. Pero aquí está la sorpresa: ¡La mayoría nunca ha estado hospitalizado por problemas mentales!

  • Riesgo de suicidio: Muy alto (91%).
  • Analogía: Son como un volcán que está a punto de explotar por dentro, pero nadie ha visto el humo antes porque nunca han ido al médico.

• Mesa 3 (Los "Mayores con dolores"): Un grupo de personas mayores, con muchos dolores físicos (cáncer, dolor crónico), pero que no están tan tristes emocionalmente.

  • Riesgo de suicidio: Muy bajo (0.9%).
  • Analogía: Son como un coche viejo con muchas averías mecánicas, pero el motor (la mente) sigue funcionando bien.

• Mesa 4 (Los "Con historial clínico"): Un grupo pequeño pero muy intenso. Todos han estado hospitalizados por psiquiatría, todos han intentado suicidarse antes y tienen diagnósticos claros (depresión, bipolaridad).

  • Riesgo de suicidio: Extremadamente alto (99%).
  • Analogía: Son como un paciente en una UCI; todos sabemos que están en peligro porque el historial médico lo grita.

🤝 La Gran Revelación: ¿Por qué necesitamos las dos herramientas?

Aquí es donde el estudio se pone interesante.

• Lo que hacía la IA (el detective): Decía: "¡El historial de hospitalización psiquiátrica es la señal más importante!". Si alguien había ido al psiquiatra, la IA pensaba: "¡Peligro!".
• Lo que descubrió el Organizador (LCA): "¡Espera! Mira la Mesa 2. Tienen un riesgo del 91% de suicidio, pero casi ninguno ha ido al psiquiatra".

La analogía final:
Imagina que quieres encontrar a los conductores peligrosos en una carretera.

• La IA mira el historial: "Si tuviste un accidente antes, eres peligroso".
• El Análisis de Clases mira el comportamiento actual: "¡Oye! Ese conductor no tiene historial de accidentes, pero está conduciendo a 200 km/h, sin cinturón y con los ojos cerrados. ¡Es un peligro inminente!".

💡 ¿Qué nos enseña esto?

1. No todos los que están en peligro tienen un "historial médico". Hay personas que sufren mucho (ira, soledad, tristeza) pero que nunca han tocado la puerta de un hospital. Si solo buscamos a los que ya fueron al médico, nos perderemos a estos (Mesa 2).
2. La IA y el análisis de grupos son mejores juntos. La IA es genial para predecir el riesgo de una persona, pero el análisis de grupos nos dice por qué existen esos riesgos y nos ayuda a ver patrones que la IA podría pasar por alto (como que la ira y la soledad son tan peligrosas como un diagnóstico médico).
3. El contexto importa. Saber si alguien tiene trabajo, si es hombre o mujer, o qué religión tiene, ayuda a entender por qué un grupo es más seguro que otro.

En resumen: Este estudio nos dice que para salvar vidas, no basta con mirar el historial médico o usar una fórmula matemática. Necesitamos mirar a las personas como grupos distintos, entender sus historias únicas y saber que el peligro puede estar oculto incluso donde no esperamos encontrarlo.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los componentes solicitados:

Título: Identificación de subgrupos relacionados con el suicidio mediante Análisis de Clases Latentes: Perspectivas complementarias para explicar la clasificación basada en IA Explicable

1. Planteamiento del Problema

El suicidio y el autolesionamiento son fenómenos complejos y multifactoriales caracterizados por una gran heterogeneidad clínica y psicosocial. Aunque los modelos de aprendizaje automático (ML) y la Inteligencia Artificial Explicable (XAI) han demostrado un buen rendimiento en la predicción individual del riesgo de suicidio, estos enfoques supervisados a menudo se centran en predicciones a nivel individual y pueden no capturar completamente los patrones a nivel poblacional o la heterogeneidad de subgrupos latentes.
Existe una brecha en la literatura sobre cómo las técnicas no supervisadas, como el Análisis de Clases Latentes (LCA), que identifican subgrupos basados en patrones compartidos, se relacionan con los hallazgos de importancia de características (feature importance) de los modelos supervisados de XAI. El estudio busca determinar si el fenotipado a nivel poblacional (LCA) complementa la clasificación a nivel individual (XAI) para ofrecer una comprensión más integral del riesgo.

2. Metodología

• Fuente de Datos: Se utilizó un análisis secundario de un conjunto de datos público y anonimizado de 1000 individuos (500 fallecidos por suicidio y 500 no fallecidos) del Hospital de Enseñanza Colombo South, Sri Lanka.
• Variables: Se utilizaron variables sociodemográficas, clínicas y psicosociales (edad, género, religión, estado civil, educación, ocupación, hospitalizaciones psiquiátricas, intentos previos, pensamientos suicidas, autolesiones, trastornos psiquiátricos, consumo de sustancias y factores de estrés emocional como ira, tristeza y aislamiento social).
• Análisis Estadístico:
  • Análisis de Clases Latentes (LCA): Se aplicó utilizando el paquete poLCA en R. El objetivo fue identificar subgrupos no observados basados en patrones compartidos de riesgo.
  • Selección del Modelo: Se probaron soluciones de 2 a 10 clases. El modelo óptimo se seleccionó basándose en los criterios de información de Akaike consistente (cAIC) y de Bayes (BIC), la prueba de razón de verosimilitud de Lo-Mendell-Rubin (LMR-LRT) y la interpretabilidad clínica. La calidad de la clasificación se evaluó mediante entropía.
  • Comparación con XAI: Los perfiles de los subgrupos identificados se compararon descriptivamente con los resultados de un estudio previo que utilizó el mismo conjunto de datos para un modelo de clasificación de riesgo de suicidio basado en XAI (utilizando valores SHAP para determinar la importancia de las características).

3. Contribuciones Clave

• Integración de Enfoques: Es uno de los primeros estudios que compara directamente los perfiles de riesgo derivados del LCA (no supervisado) con la importancia de características de un modelo XAI (supervisado).
• Heterogeneidad de Subgrupos: Demuestra que la población con conductas autolesivas no es homogénea, revelando subgrupos distintos con prevalencias de suicidio radicalmente diferentes y perfiles clínicos divergentes.
• Contextualización de la IA: Proporciona un marco para entender cómo los modelos de "caja negra" o de importancia global (XAI) pueden enriquecerse con la estratificación poblacional, ofreciendo contexto a las predicciones individuales.

4. Resultados Principales

El modelo de 4 clases latentes fue identificado como el óptimo, revelando una heterogeneidad marcada:

• Clase 1 (Bajo Riesgo - 36% de la muestra):
  • Prevalencia de suicidio: 0.6%.
  • Perfil: Predominantemente femenino, alta tasa de empleo (95%), bajo estrés emocional, baja morbilidad psiquiátrica y alta proporción de budistas.
• Clase 2 (Alto Riesgo - 33% de la muestra):
  • Prevalencia de suicidio: 91.2%.
  • Perfil: Predominantemente masculino, alta prevalencia de estrés emocional (ira, tristeza, aislamiento, problemas de sueño) y desempleo.
  • Diferencia clave: A pesar del alto riesgo, solo el 11.3% tenía historial de hospitalización psiquiátrica y la mayoría no tenía diagnósticos documentados.
• Clase 3 (Bajo Riesgo - 12% de la muestra):
  • Prevalencia de suicidio: 0.9%.
  • Perfil: Mayor edad, alta carga de enfermedades somáticas (dolor crónico), pero bajo estrés psicosocial. Predominancia de religiones no budistas (Islam, Cristianismo) y alta tasa de empleo.
• Clase 4 (Muy Alto Riesgo - 20% de la muestra):
  • Prevalencia de suicidio: 99.0%.
  • Perfil: Predominantemente masculino, desempleo, y 100% con historial de hospitalización psiquiátrica. Alta prevalencia de intentos previos, pensamientos suicidas, autolesiones y trastornos como depresión y trastorno bipolar.

Comparación con XAI:

• Las variables de angustia emocional y social (ira, tristeza, aislamiento) fueron las más importantes en el modelo XAI y se elevaron consistentemente en ambas clases de alto riesgo (Clase 2 y 4).
• La hospitalización psiquiátrica, aunque importante en el modelo XAI, solo caracterizaba fuertemente a la Clase 4. La Clase 2 mostró un riesgo extremadamente alto sin este factor, lo que indica que la hospitalización identifica un subgrupo específico, pero no es un requisito para el alto riesgo de suicidio.
• La ocupación y educación mostraron concordancia: las clases de bajo riesgo tenían mayor educación universitaria y empleo, mientras que las de alto riesgo presentaban desempleo y menor educación.

5. Significado e Implicaciones

• Complementariedad Metodológica: El estudio concluye que el LCA y la XAI ofrecen perspectivas complementarias. Mientras que la XAI identifica características globales influyentes para la predicción individual, el LCA desentraña subgrupos con constelaciones únicas de factores (incluyendo demografía y funcionalidad) que explican la variabilidad en los resultados.
• Implicaciones Clínicas: La identificación de subgrupos como la "Clase 2" (alto riesgo sin historial psiquiátrico previo) sugiere que los sistemas de detección actuales podrían pasar por alto a individuos que no han contactado con servicios de salud mental pero que presentan altos niveles de angustia psicosocial.
• Futuro de la Investigación: Se propone integrar la pertenencia a clases latentes como una variable en modelos de clasificación supervisados. Esto podría mejorar la interpretabilidad y el rendimiento de los modelos de IA al vincular las predicciones individuales con fenotipos clínicos más amplios.

En resumen, el estudio valida la utilidad del análisis no supervisado para contextualizar los hallazgos de la inteligencia artificial, destacando que la heterogeneidad del riesgo de suicidio requiere enfoques que combinen la predicción individual con la estratificación poblacional para una evaluación más precisa y matizada.