Development of a natural language processing application to extract and categorize mentions of violence from mental healthcare records text

Questo studio presenta lo sviluppo e la valutazione di un'applicazione di elaborazione del linguaggio naturale basata su BERT, addestrata su note cliniche di un servizio di salute mentale londinese, per estrarre e categorizzare con elevata precisione diverse forme di violenza, il ruolo dei pazienti e il contesto, migliorando significativamente le capacità di sorveglianza e ricerca rispetto ai metodi precedenti.

L'essenziale

🕵️‍♂️ Il Detective Digitale che legge i diari segreti

Immagina di avere una biblioteca enorme piena di milioni di diari scritti da persone che hanno visitato uno psichiatra. Questi diari (chiamati cartelle cliniche elettroniche) raccontano le loro vite, le loro paure e i loro traumi. Spesso, però, le persone che hanno subito violenza (fisica, sessuale, emotiva o finanziaria) non scrivono "Ho subito violenza" in una casella da spuntare. Lo scrivono invece nascosto nel mezzo di una frase, come un messaggio in codice: "Mio marito mi ha fatto sentire in trappola e non mi lascia usare i soldi" oppure "Ho paura che lui mi colpisca di nuovo".

Per anni, i ricercatori hanno faticato a trovare queste "perle" nascoste nel mare di testo, perché erano troppo disordinate per essere lette una ad una da un umano.

🤖 La nuova invenzione: Un "Super-Traduttore"

Questo studio racconta la storia di un gruppo di ricercatori del Regno Unito che ha costruito un detective digitale (un'intelligenza artificiale basata su una tecnologia chiamata BERT) capace di leggere questi diari e capire cosa c'è davvero scritto.

Pensa a questo detective come a un cuoco esperto che ha imparato a riconoscere gli ingredienti in una zuppa complessa. Prima, se la ricetta diceva "un po' di sale", il cuoco non sapeva se era sale o zucchero. Ora, il detective sa esattamente distinguere:

• Che tipo di "spezia" è? (È violenza fisica? Sessuale? Emotiva come le parole dure? Finanziaria come il controllo dei soldi?)
• Chi è il protagonista? (La persona che scrive è la vittima, l'aggressore o ha solo visto la scena?)
• È successo davvero o è solo una minaccia? (È un fatto accaduto o un timore?)
• Dove è successo? (In casa, con la famiglia, o fuori?)

🛠️ Come hanno fatto? (L'allenamento)

Per addestrare questo detective, i ricercatori hanno fatto un lavoro di squadra enorme:

1. Hanno preso 6.500 frammenti di diari clinici che contenevano parole chiave come "abuso", "colpo", "paura" o "soldi".
2. Due esperti umani hanno letto e "etichettato" ogni frammento, spiegando al computer: "Guarda, qui c'è violenza emotiva, la paziente è la vittima, ed è successo in casa".
3. Hanno mostrato questi esempi al detective digitale milioni di volte, correggendolo quando sbagliava, finché non ha imparato a riconoscere i pattern da solo.

🏆 I risultati: Un detective molto bravo (ma non perfetto)

Quando hanno messo alla prova il detective su nuovi diari che non aveva mai visto prima, i risultati sono stati impressionanti:

• Ottimo nel riconoscere: La violenza emotiva (insulti, controllo), quella finanziaria (controllo dei soldi) e quella fisica (percosse). È anche bravissimo a capire se la persona è la vittima o l'aggressore.
• Buono nel capire: Se la violenza è reale o solo una minaccia, e se è avvenuta in ambito domestico.
• Difficile per lui: Capire quando è successo esattamente (se è successo ieri o 10 anni fa). Immagina di leggere una frase come "Ho subito abusi" senza date: anche per un umano è difficile capire se è recente o storico. Il detective ha fatto un po' di fatica qui, perché i diari medici spesso non sono precisi sulle date.

💡 Perché è importante? (Il "Perché" della storia)

Prima di questo studio, era come cercare di contare le stelle usando solo un telescopio rotto: si vedeva poco. Ora, con questo nuovo strumento, i ricercatori possono:

1. Scoprire la verità nascosta: Capire quanto la violenza è diffusa tra le persone con problemi di salute mentale.
2. Fare ricerca migliore: Capire se chi subisce violenza emotiva ha più probabilità di sviluppare depressione o ansia.
3. Migliorare le cure: Se i medici sanno che questo strumento esiste, potrebbero essere più attenti a chiedere e a scrivere meglio nei loro diari, creando un circolo virtuoso.

⚠️ Una piccola nota importante

Il detective è molto intelligente, ma non è un giudice. Se un paziente scrive "Penso che il mio vicino voglia uccidermi" (magari perché ha un'allucinazione), il detective segnerà comunque "minaccia di violenza". Non può sapere se è vero o falso, legge solo ciò che è scritto. Per questo, i ricercatori dicono che è uno strumento per la ricerca e per capire i grandi numeri, non per prendere decisioni mediche immediate su un singolo paziente.

In sintesi

Hanno creato un super-assistente digitale che legge milioni di pagine scritte a mano dai medici, trova le storie di violenza che prima erano invisibili e le organizza in categorie chiare. È come avere una lente di ingrandimento magica che illumina le ombre della sofferenza umana, permettendoci di studiare e curare meglio le ferite della mente.

Sommario tecnico

Titolo: Sviluppo di un'applicazione di elaborazione del linguaggio naturale (NLP) per estrarre e categorizzare le menzioni di violenza dai registri di assistenza sanitaria mentale

1. Problema e Contesto

Le esperienze di violenza sono un fattore critico nella salute mentale: le vittime sono a maggior rischio di disturbi psichiatrici, mentre la violenza può talvolta manifestarsi come conseguenza di tali disturbi. Sebbene le cartelle cliniche elettroniche (EHR) contengano informazioni preziose su questi eventi, le occorrenze di violenza non sono solitamente registrate come dati strutturati, ma sono nascoste all'interno di testi narrativi liberi.
La sfida principale risiede nel fatto che gli studi precedenti si sono concentrati su modelli di classificazione binaria singola, che spesso ignorano le dipendenze tra le etichette (ad esempio, la relazione tra il ruolo del paziente e il contesto domestico) e non riescono a catturare la complessità delle diverse forme di abuso (fisico, sessuale, emotivo, finanziario) e delle loro sfumature (chi è la vittima, chi il carnefice, se l'evento è reale o minacciato, il contesto temporale).

2. Metodologia

Lo studio è stato condotto utilizzando i dati del Maudsley Clinical Record Interactive Search (CRIS), una piattaforma che fornisce accesso a dati sanitari mentali anonimizzati del South London and Maudsley NHS Foundation Trust.

• Raccolta e Preparazione dei Dati:

  • Sono stati estratti segmenti di testo contenenti parole chiave relative alla violenza (es. "abuso", "violenza", "coercizione", "finanziario", "emotivo").
  • Il dataset iniziale è stato composto da 6.685 istanze di testo.
  • Annotazione: Due valutatori hanno annotato manualmente 6.500 segmenti (400 caratteri ciascuno) utilizzando un libro di codifica predefinito. L'annotazione ha coperto diverse dimensioni:
    • Tipi di violenza: Emotiva, finanziaria, fisica (non sessuale), sessuale, non specificata o irrilevante.
    • Ruolo del paziente: Vittima, carnefice, testimone, o ruoli misti.
    • Polarità: Affermata, astratta (ipotetica) o negata.
    • Presenza: Attuale, minacciata o incerta.
    • Temporalità: Passata (oltre un anno fa) o non passata.
    • Contesto: Domestico, non domestico o incerto.
  • È stata utilizzata una strategia di doppia annotazione per risolvere le discrepanze, raggiungendo un accordo inter-annotatore (IAA) sostanziale (Kappa di Cohen tra 0,70 e 0,88).

• Sviluppo del Modello:

  • È stato impiegato un modello BERT pre-addestrato per la classificazione sequenziale multi-etichetta (Multi-label Sequence Classification).
  • Il dataset è stato diviso in: 90% per l'addestramento e la validazione incrociata (5-fold cross-validation) e 10% per un test "alla cieca" (blind test).
  • Il dataset è stato bilanciato per genere, etnia e gruppo di età per garantire la rappresentatività.

3. Contributi Chiave

1. Estensione delle capacità NLP: A differenza dei lavori precedenti limitati a violenza fisica e sessuale, questo studio introduce la capacità di rilevare sistematicamente violenza emotiva e finanziaria, spesso trascurate nei registri clinici.
2. Approccio Multi-Etichetta: L'uso di un classificatore multi-label permette di catturare le correlazioni tra diverse dimensioni (es. distinguere se un paziente è vittima o carnefice in un contesto domestico), superando i limiti dei modelli binari indipendenti.
3. Granularità delle caratteristiche: Il modello non si limita a rilevare la violenza, ma ne caratterizza la natura (reale vs. minacciata), la polarità (affermata vs. negata) e il contesto (domestico vs. non domestico).
4. Scalabilità: Lo sviluppo è stato effettuato su un vasto dataset clinico reale, dimostrando la fattibilità di estrarre dati strutturati da note cliniche non strutturate su larga scala.

4. Risultati

Le prestazioni del modello sono state valutate sul set di test cieco (651 istanze) utilizzando le metriche Precisione, Recall e F1-score:

• Eccellenza nelle categorie principali:
  • Violenza Emotiva: F1 = 0,89
  • Violenza Finanziaria: F1 = 0,88
  • Violenza Fisica (non sessuale): F1 = 0,84
  • Violenza Non Specificata: F1 = 0,81
• Ruolo del Paziente:
  • Rilevamento efficace del ruolo di Carnefice (F1 = 0,89) e Vittima (F1 = 0,84).
  • Scarse prestazioni per il ruolo di "Testimone" e ruoli misti a causa della scarsa rappresentanza nei dati di addestramento.
• Altre caratteristiche:
  • Polarità: Ottima capacità di distinguere comportamenti affermati (F1 = 0,89) e astratti (F1 = 0,87).
  • Presenza: Alta accuratezza nel rilevare violenza effettiva (F1 = 0,95).
  • Contesto Domestico: Buona performance (F1 = 0,88).
• Limiti:
  • Temporalità: Il modello ha mostrato prestazioni insoddisfacenti nel determinare se la violenza fosse passata o recente (F1 = 0,65), a causa dell'uso ambiguo dei tempi verbali nelle note cliniche.
  • Violenza Sessuale: Sebbene la precisione fosse alta (0,89), il recall è stato basso (0,55), portando a un F1 di 0,68, probabilmente dovuto alla scarsità di esempi nel dataset.

5. Significato e Implicazioni

Questo studio rappresenta un avanzamento significativo nella ricerca sulla salute mentale basata sui dati reali (Real-World Data).

• Sorveglianza e Ricerca: Il modello offre agli ricercatori uno strumento potente per monitorare l'epidemiologia della violenza nelle popolazioni di pazienti psichiatrici e studiare le associazioni tra diverse forme di abuso e specifici disturbi mentali.
• Miglioramento Clinico: La capacità di estrarre automaticamente queste informazioni potrebbe incentivare una documentazione clinica più strutturata e completa, migliorando la qualità dei dati disponibili per la cura del paziente.
• Futuri Sviluppi: Gli autori sottolineano la necessità di migliorare il rilevamento della temporalità e di gestire casi in cui coesistono più tipi di violenza o ruoli complessi, oltre a considerare la distinzione tra esperienze reali e deliranti in contesti psichiatrici.

In sintesi, l'applicazione NLP sviluppata trasforma dati testuali non strutturati in informazioni strutturate affidabili, aprendo nuove strade per la comprensione e il trattamento della violenza nell'ambito della salute mentale.