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

Questo studio utilizza l'analisi delle classi latenti su un campione di 1000 pazienti con comportamenti autolesivi per identificare quattro sottogruppi distinti con prevalenze di suicidio variabili, dimostrando come questa metodologia di fenotipizzazione non supervisionata offra prospettive complementari e contestuali ai modelli di classificazione basati sull'intelligenza artificiale spiegabile.

L'essenziale

🎭 Il Grande Teatro del Rischio: Due Modi per Guardare la Folla

Immagina che la popolazione di persone che hanno subito un danno a se stessi o hanno pensato al suicidio sia una folla enorme e caotica in una piazza. Ogni persona ha una storia diversa, un volto diverso e problemi diversi.

Per anni, gli scienziati hanno usato un tipo di "occhio magico" chiamato Intelligenza Artificiale (AI) per guardare questa folla. Questo occhio funziona come un detective individuale: guarda una singola persona alla volta e dice: "Tu hai un alto rischio perché hai questi 5 segni specifici". È molto bravo a fare previsioni su chi è a rischio, ma a volte non riesce a vedere perché certe persone si raggruppano insieme in modo diverso.

In questo nuovo studio, due ricercatori (Busenur e Lars) hanno deciso di usare un secondo occhio, chiamato Analisi delle Classi Latenti (LCA). Se l'AI è un detective, l'LCA è un regista di teatro. Invece di guardare una persona alla volta, il regista guarda l'intera folla e dice: "Aspetta, in questa piazza ci sono 4 gruppi di attori molto diversi tra loro. Ognuno recita una scena diversa!".

🎭 Le 4 Scenografie (I 4 Gruppi Trovati)

Analizzando i dati di 1.000 persone in Sri Lanka, il "regista" ha scoperto che la folla non è uniforme, ma si divide in 4 gruppi distinti (chiamati "classi latenti"):

1. Il Gruppo "Tranquillo" (Classe 1):

   • Chi sono: Per lo più donne, occupate, con pochi problemi emotivi.
   • La scena: Vivono una vita relativamente stabile.
   • Il rischio: Quasi nullo (meno dell'1% si è suicidato).

2. Il Gruppo "Anziano e Fisico" (Classe 3):

   • Chi sono: Persone più anziane, spesso con dolori fisici cronici, ma con la mente relativamente serena.
   • La scena: Soffrono di malattie del corpo, ma non di angoscia mentale profonda.
   • Il rischio: Molto basso (meno dell'1%).

3. Il Gruppo "Angoscia Nascosta" (Classe 2):

   • Chi sono: Uomini, spesso disoccupati, che provano rabbia, tristezza e solitudine.
   • La scena: Hanno un dolore emotivo enorme, ma non sono mai stati in ospedale psichiatrico prima.
   • Il rischio: Altissimo (91% si è suicidato).
   • La scoperta: Questo è il punto chiave! L'AI pensava che l'ospedale psichiatrico fosse un segnale forte di pericolo, ma qui abbiamo un gruppo che non è mai stato in ospedale ed è comunque a rischio estremo.

4. Il Gruppo "Storia Pesante" (Classe 4):

   • Chi sono: Uomini, spesso disoccupati, con una storia di tentativi di suicidio, depressione e tutti hanno passato tempo in ospedale psichiatrico.
   • La scena: È la storia classica che ci si aspetta: molti segnali di allarme, molti ricoveri.
   • Il rischio: Quasi totale (99% si è suicidato).

🤝 L'Incontro tra il Detective e il Regista

La parte più bella dello studio è come questi due "occhi" (AI e LCA) si sono guardati e hanno capito che si completano a vicenda.

• L'AI (il Detective) aveva detto: "I segnali più importanti per il suicidio sono la rabbia, la tristezza, la solitudine e... l'essere stati in ospedale psichiatrico".
• L'LCA (il Regista) ha risposto: "Hai ragione sulla rabbia e la solitudine! Le vedi in entrambi i gruppi ad alto rischio (2 e 4). Ma hai sbagliato su una cosa: l'ospedale psichiatrico non è necessario per essere in pericolo. Guarda il Gruppo 2: sono a rischio altissimo senza aver mai visto un psichiatra!".

💡 Cosa ci insegna questa storia?

Immagina di dover proteggere una foresta dagli incendi.

• L'AI ti dice: "Attento a quell'albero specifico, ha la corteccia secca e il vento forte". È utile per salvare quel singolo albero.
• L'LCA ti dice: "Ehi, ci sono due tipi di foreste in pericolo: una è fatta di alberi vecchi e secchi (Gruppo 4), l'altra è fatta di giovani alberi con la linfa secca a causa della siccità (Gruppo 2)".

Perché è importante?
Se usi solo l'AI, potresti pensare che per salvare qualcuno devi controllare chi è stato in ospedale. Ma questo studio ci dice: "No! C'è un altro gruppo di persone che sta male profondamente, che non è mai stato in ospedale, e che ha bisogno di aiuto urgente."

🏁 Conclusione Semplice

Questo studio ci insegna che non esiste un "unico modo" per essere a rischio di suicidio.

1. Ci sono persone con una storia clinica pesante (ricoveri, tentativi).
2. Ci sono persone che sembrano "normali" o che non hanno mai chiesto aiuto, ma che soffrono di solitudine e rabbia nascosta.

Usare insieme l'Intelligenza Artificiale (per guardare i singoli) e l'Analisi dei Gruppi (per capire le diverse "famiglie" di persone) ci permette di creare una rete di sicurezza più intelligente. Invece di cercare solo i "pazienti psichiatrici", dobbiamo guardare anche chi, pur non avendo una storia clinica, sta lottando contro la solitudine e la disperazione.

È come dire: "Non guardiamo solo chi ha già il cerotto, ma cerchiamo anche chi sta sanguinando senza che nessuno se ne sia accorto."

Sommario tecnico

Titolo dello Studio

Identificazione di sottogruppi correlati al suicidio tramite Analisi delle Classi Latenti (LCA): Approcci complementari per la classificazione basata sull'Intelligenza Artificiale Spiegabile (XAI)

1. Il Problema

Il suicidio e l'autolesionismo sono fenomeni complessi e multifattoriali caratterizzati da un'eterogeneità clinica e psicosociale significativa. Sebbene i modelli di apprendimento automatico supervisionati e l'Intelligenza Artificiale Spiegabile (XAI) abbiano dimostrato buone prestazioni nel prevedere il rischio di suicidio a livello individuale, questi approcci presentano limitazioni:

• Generano principalmente previsioni a livello individuale, rischiando di non catturare appieno i pattern a livello di popolazione o l'eterogeneità dei sottogruppi latenti.
• Non forniscono necessariamente un contesto strutturale su come i fattori di rischio si combinino in sottogruppi distinti.
• Manca una ricerca che esamini direttamente la corrispondenza tra i profili di rischio derivati da metodi non supervisionati (come l'LCA) e l'importanza delle caratteristiche (feature importance) derivata da modelli supervisionati (XAI).

Lo studio mira a colmare questo divario confrontando l'identificazione di sottogruppi tramite LCA con i risultati di un precedente studio basato su XAI sullo stesso dataset.

2. Metodologia

• Dati: Analisi secondaria di un dataset pubblico, anonimizzato e trasversale contenente 1000 individui (500 deceduti per suicidio, 500 no) provenienti dall'Ospedale Didattico di Colombo Sud, Sri Lanka.
• Variabili: Sono stati utilizzati variabili sociodemografiche, cliniche e psicosociali (es. età, genere, occupazione, ospedalizzazioni psichiatriche, tentativi precedenti, disturbi mentali, distress emotivo come rabbia e isolamento sociale).
  • Preprocessing: L'età è stata categorizzata e l'occupazione è stata dicotomizzata (occupato/non occupato) per adattarsi ai requisiti dell'LCA. La variabile di esito (suicidio sì/no) è stata esclusa dal modello LCA e utilizzata solo per caratterizzare le classi dopo l'assegnazione.
• Analisi Statistica:
  • Analisi delle Classi Latenti (LCA): Eseguita con il pacchetto poLCA in R. Sono stati stimati modelli da 2 a 10 classi. La selezione del modello ottimale (4 classi) è stata basata sui criteri di informazione (BIC e cAIC minimi), sul test del rapporto di verosimiglianza Lo–Mendell–Rubin (LMR-LRT) e sull'interpretabilità clinica. La qualità della classificazione è stata valutata tramite entropia.
  • Confronto con XAI: I profili delle classi latenti sono stati confrontati descrittivamente con i risultati di uno studio precedente (Tang et al.) che utilizzava modelli di machine learning spiegabili (SHAP values) sullo stesso dataset.

3. Risultati Chiave

L'analisi LCA ha identificato quattro classi latenti distinte con profili clinici e prevalenza di suicidio radicalmente diversi:

• Classe 1 (36% del campione, n=357):
  • Prevalenza di suicidio: Molto bassa (0,6%).
  • Profilo: Alto funzionamento sociale e occupazionale (95% occupati), prevalenza femminile (51,6%), basso distress emotivo, bassa morbilità psichiatrica.
• Classe 2 (33% del campione, n=330):
  • Prevalenza di suicidio: Molto alta (91,2%).
  • Profilo: Alto distress emotivo e sociale (rabbia, tristezza, isolamento, insonnia). Curiosamente, bassa storia di ospedalizzazione psichiatrica (11,3%) e pochi diagnosi documentati. Prevalentemente maschile e con tassi di occupazione più bassi.
• Classe 3 (12% del campione, n=115):
  • Prevalenza di suicidio: Molto bassa (0,9%).
  • Profilo: Età più avanzata, alto carico di condizioni somatiche (dolore cronico), ma basso distress psicosociale. Composizione religiosa diversa (maggioranza musulmana, indù, cristiana; nessun buddista o tamil).
• Classe 4 (20% del campione, n=198):
  • Prevalenza di suicidio: Estremamente alta (99,0%).
  • Profilo: 100% di ospedalizzazione psichiatrica pregressa, alta prevalenza di tentativi di suicidio, pensieri suicidi, autolesionismo e diagnosi psichiatriche (depressione, disturbo bipolare). Bassa occupazione e prevalenza maschile.

Confronto con XAI (SHAP):

• Le variabili di distress emotivo e sociale (rabbia, tristezza, isolamento) sono state identificate come le più importanti nel modello XAI precedente e risultano elevate in entrambe le classi ad alta prevalenza (Classe 2 e 4).
• L'ospedalizzazione psichiatrica, sebbene un forte predittore nel modello XAI, caratterizza solo la Classe 4. La Classe 2 dimostra che un rischio di suicidio estremamente alto può esistere anche in assenza di storia ospedaliera, un dettaglio che l'analisi globale delle feature potrebbe non evidenziare con la stessa granularità.
• L'occupazione e il livello di istruzione mostrano pattern coerenti tra LCA e XAI (basso livello di istruzione e disoccupazione associati a rischio più alto).

4. Contributi Principali

1. Integrazione di Approcci Non Supervisionati e Supervisionati: Lo studio dimostra che l'LCA (non supervisionato) e l'XAI (supervisionato) offrono prospettive complementari. Mentre l'XAI identifica i predittori globali, l'LCA svela come questi predittori si combinino in sottogruppi fenotipici distinti.
2. Eterogeneità del Rischio: Ha evidenziato che l'alto rischio di suicidio non è un blocco monolitico. Esistono almeno due sottogruppi ad alto rischio con profili clinici opposti riguardo all'utilizzo dei servizi psichiatrici (uno con storia ospedaliera universale, l'altro con scarsa storia ospedaliera ma alto distress).
3. Validazione Incrociata: La convergenza tra i pattern di importanza delle feature (SHAP) e la struttura delle classi latenti rafforza la validità clinica delle variabili identificate (distress emotivo, occupazione, istruzione).
4. Contesto Demografico e Culturale: Ha fornito insight specifici sul ruolo di fattori come religione, etnia e genere nella definizione di sottogruppi protettivi (es. Classe 3) o a rischio.

5. Significatività e Implicazioni

• Miglioramento dell'Interpretabilità Clinica: L'identificazione di sottogruppi specifici permette di contestualizzare le previsioni individuali. Un clinico può capire se un paziente appartiene a un sottogruppo "ad alto rischio senza ospedalizzazione" (Classe 2) o "ad alto rischio con storia psichiatrica complessa" (Classe 4), richiedendo approcci di intervento differenziati.
• Ottimizzazione dei Modelli Predittivi: I risultati suggeriscono che l'inclusione dell'appartenenza a una classe latente come variabile nei modelli di machine learning supervisionati potrebbe migliorare le prestazioni predittive e la spiegabilità, fornendo un "contesto di popolazione" alle stime individuali.
• Politiche Sanitarie: Sottolinea la necessità di screening per il suicidio che vadano oltre la storia psichiatrica formale, focalizzandosi anche sul distress emotivo e sociale in individui che non hanno mai contattato i servizi di salute mentale.

In conclusione, lo studio propone un quadro integrato in cui l'analisi delle classi latenti arricchisce i modelli di IA spiegabile, offrendo una comprensione più sfumata e clinicamente rilevante dell'eterogeneità del rischio di suicidio.