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

Dit onderzoek toont aan dat latent class-analyse, in aanvulling op uitlegbare AI-modellen, unieke subgroepen van mensen met zelfschade identificeert met sterk verschillende suïcideprevalenties en klinische profielen, wat de heterogeniteit binnen deze populatie benadrukt en de interpretatie van suïcidebeoordelingskaders verbetert.

De kern

Het Grote Doel: Waarom zijn er niet één, maar vele soorten verdriet?

Stel je voor dat je een enorme berg met verschillende soorten fruit hebt. Als je alleen kijkt naar de kleur, zou je denken dat alle rode appels hetzelfde zijn. Maar als je erin bijt, merk je dat sommige zacht en zoet zijn, terwijl andere hard en zuur zijn.

In de wereld van zelfdoding en zelfverwonding is dat precies hetzelfde. Mensen die hulp zoeken, lijken vaak op elkaar (ze hebben allemaal pijn), maar hun achtergronden, levensverhalen en oorzaken zijn heel verschillend.

De auteurs van dit artikel wilden twee dingen doen:

1. De "Machine Learning" aanpak: Een slimme computer laten kijken naar individuele mensen en zeggen: "Deze persoon heeft een hoog risico." Dit is als een detective die elke verdachte apart ondervraagt.
2. De "Latente Class Analyse" (LCA) aanpak: Kijken naar de hele berg fruit en proberen groepen te vinden die op elkaar lijken. Dit is als een tuinier die probeert te begrijpen welke soorten planten in welke grond gedijen.

De vraag was: Kunnen we deze twee manieren van kijken combineren om een beter beeld te krijgen?

---

Wat hebben ze gedaan? (De Experimenten)

De onderzoekers kregen een grote lijst met gegevens van 1.000 mensen uit Sri Lanka die hulp zochten bij een ziekenhuis. De helft van deze mensen had later zelfmoord gepleegd, de andere helft niet.

Ze gebruikten de computer om te zoeken naar vier verschillende "stammen" of groepen binnen deze mensen. Het was alsof ze de mensen in vier verschillende kamers zetten, gebaseerd op hun levensverhaal, niet op hun diagnose.

Hier zijn de vier groepen die ze vonden:

🏠 Groep 1: De "Stabiele" (Kleine kans op zelfdoding)

• Het profiel: Deze mensen zijn vaak vrouwelijk, hebben een baan, voelen zich niet eenzaam en hebben weinig psychische problemen.
• De vergelijking: Dit zijn de mensen die een stevig huis hebben gebouwd. Als het stormt, blijven ze staan.
• Risico: Zeer laag (minder dan 1%).

🏥 Groep 2: De "Verlaten" (Hoge kans, maar geen ziekenhuisgeschiedenis)

• Het profiel: Deze mensen voelen zich enorm eenzaam, boos, moe en vernederd. Ze hebben vaak geen werk. Maar hier is het interessante: Ze zijn nooit eerder in een psychiatrisch ziekenhuis geweest.
• De vergelijking: Dit zijn mensen die in een storm zitten, maar niemand heeft ze ooit op de radar gezien. Ze lijden in stilte.
• Risico: Zeer hoog (91%).

🏥 Groep 3: De "Oude en Zieke" (Kleine kans)

• Het profiel: Deze groep is vaak wat ouder, heeft veel lichamelijke pijn (zoals chronische pijn), maar voelt zich niet zo eenzaam of boos als Groep 2. Ze hebben vaak een andere religie (niet boeddhistisch).
• De vergelijking: Dit zijn mensen met een versleten auto die toch nog redelijk veilig rijden, omdat ze voorzichtig zijn.
• Risico: Zeer laag (minder dan 1%).

🚨 Groep 4: De "Zwaar Belaste" (Extreem hoge kans)

• Het profiel: Dit is de groep met het zwaarste verleden. Iedereen in deze groep is ooit in een psychiatrisch ziekenhuis geweest. Ze hebben vaak pogingen tot zelfdoding gedaan, zware depressies en voelen zich hopeloos.
• De vergelijking: Dit zijn mensen die al meerdere keren in een zware storm zijn geweest en nu in een orkaan zitten.
• Risico: Extreem hoog (99%).

---

De Grote Ontdekking: De Detective en de Tuinier werken samen

Vroeger keken slimme computers (AI) vooral naar één ding: "Is deze persoon ooit in een psychiatrisch ziekenhuis geweest?" Als het antwoord ja was, was het risico hoog.

Maar deze studie laat zien dat die ene vraag niet het hele verhaal is.

• De AI (Detective) zag dat "psychiatrische opname" belangrijk was.
• De LCA (Tuinier) zag dat er twee soorten mensen zijn met een extreem hoog risico:
  1. Diegenen die al in het ziekenhuis zijn geweest (Groep 4).
  2. Diegenen die nooit in het ziekenhuis zijn geweest, maar wel verschrikkelijk eenzaam en boos zijn (Groep 2).

De les: Als je alleen kijkt naar ziekenhuisopnames, mis je de "stille" groep (Groep 2) die net zo gevaarlijk is.

Waarom is dit belangrijk voor ons allemaal?

Stel je voor dat je een brandweerman bent.

• De oude manier was: "We blussen alleen de huizen die al in brand staan (die in het ziekenhuis zaten)."
• De nieuwe manier (met deze studie) zegt: "Wacht! Er zijn ook huizen die nog niet in brand staan, maar waar de muren al aan het smelten zijn door hitte (eenzaamheid, boosheid, werkloosheid). Die moeten we ook zien!"

Conclusie in één zin:
Door te kijken naar groepen mensen in plaats van alleen naar individuen, ontdekken we dat er verschillende soorten "stormen" zijn. Sommige mensen hebben al hulp gekregen, maar andere lijden in stilte. Als we beide perspectieven combineren, kunnen we mensen beter helpen voordat het te laat is.

Technische samenvatting

Titel: Identificatie van zelfmoord-gerelateerde subgroepen met behulp van Latent Class Analysis: Complementaire inzichten voor uitlegbare AI-gebaseerde classificatie

Auteurs: Busenur Kizilaslan en Lars Mehlum (Nationaal Centrum voor Zelfmoordonderzoek en Preventie, Universiteit van Oslo, Noorwegen)

---

1. Probleemstelling

Zelfmoord en zelfverwonding zijn complexe, multifactoriële fenomenen met aanzienlijke klinische en psychosociale heterogeniteit. Hoewel machine learning (ML) en uitlegbare kunstmatige intelligentie (XAI) veelbelovende resultaten laten zien bij het voorspellen van individuele zelfmoordrisico's, hebben deze supervised (toezicht) methoden beperkingen:

• Ze genereren voornamelijk individuele voorspellingen en vangen mogelijk geen populatieniveau patronen of verborgen subgroep-heterogeniteit volledig op.
• Er is een gebrek aan onderzoek dat direct de overeenkomst onderzoekt tussen risicoprofielen afgeleid van unsupervised (niet-toezicht) methoden (zoals Latent Class Analysis) en de kenmerkende belangrijkheid (feature importance) van ML-modellen.

De kernvraag is of populatiegebaseerde phenotyping (via LCA) de individuele classificatie van XAI kan aanvullen en de interpretatie van zelfmoordbeoordelingskaders kan verrijken.

2. Methodologie

Het onderzoek is een secundaire analyse van een openbaar, geanonimiseerd dataset van 1000 individuen uit het Colombo South Teaching Hospital in Sri Lanka. De dataset bevat een evenwichtige verdeling van personen die overleden zijn door zelfmoord (n=500) en personen die dat niet zijn (n=500).

Data-voorbereiding:

• Variabelen omvatten sociodemografische, klinische en psychosociale factoren (bijv. leeftijd, geslacht, religie, werk, psychiatrische geschiedenis, emotionele distress).
• Voor de LCA-analyse werden leeftijden gecategoriseerd en beroepen gedichotomiseerd (werkloos vs. werkend) om de modelberekening te faciliteren.
• De uitkomstvariabele (zelfmoord: ja/nee) werd niet gebruikt voor het trainen van de LCA, maar wel geanalyseerd na toewijzing om de subgroepen te karakteriseren.

Statistische Analyse:

• Latent Class Analysis (LCA): Uitgevoerd in R (pakket poLCA). Het doel was onwaarneembare subgroepen te identificeren op basis van gedeelde patronen van risicofactoren.
• Modelselectie: Modellen met 2 tot 10 klassen werden geschat. De optimale oplossing werd gekozen op basis van de laagste waarden voor de Consistent Akaike Information Criterion (cAIC) en Bayesian Information Criterion (BIC), ondersteund door de Lo-Mendell-Rubin likelihood ratio test (LMR-LRT) en hoge entropie (>0,80) voor duidelijke klassentoewijzing.
• Vergelijking: De gevonden LCA-profielen werden kwalitatief vergeleken met eerdere bevindingen uit een XAI-studie op dezelfde dataset (gebruikmakend van SHAP-waarden voor feature importance).

3. Belangrijkste Resultaten

De analyse resulteerde in een vier-klassen model dat de data het beste beschreef (hoogste entropie: 0,95; laagste BIC/cAIC). De klassen vertoonden opvallende verschillen in zelfmoordprevalentie en klinische profielen:

• Klasse 1 (n=357, 36%): Zeer lage zelfmoordprevalentie (0,6%).
  • Profiel: Hoog functionerend, hoge werkgelegenheid (95%), hoge vrouwelijke vertegenwoordiging (51,6%), lage emotionele distress en weinig psychiatrische geschiedenis.
• Klasse 2 (n=330, 33%): Zeer hoge zelfmoordprevalentie (91,2%).
  • Profiel: Gekenmerkt door extreme emotionele en sociale distress (woede, eenzaamheid, slapeloosheid, vernedering). Opvallend: lage prevalentie van eerdere psychiatrische opnames (11,3%) en weinig gedocumenteerde diagnoses, ondanks het hoge risico.
• Klasse 3 (n=115, 12%): Zeer lage zelfmoordprevalentie (0,9%).
  • Profiel: Oudere populatie, hoge last van somatische aandoeningen (chronische pijn), maar lage psychosociale distress. Verschilt qua religie (meer moslims en hindoes, geen boeddhisten) en geslacht (meer mannen) van Klasse 1.
• Klasse 4 (n=198, 20%): Uiterst hoge zelfmoordprevalentie (99,0%).
  • Profiel: Universele levenslange psychiatrische opnamegeschiedenis (100%), hoge prevalentie van eerdere zelfmoordpogingen, zelfverwonding en diagnoses (depressie, bipolaire stoornis).

Vergelijking met XAI/SHAP bevindingen:

• Emotionele en sociale distressvariabelen (woede, verdriet, eenzaamheid) waren in beide hoog-risico klassen (2 en 4) sterk verhoogd en kwamen overeen met de belangrijkste kenmerken in de eerdere SHAP-analyse.
• Cruciaal onderscheid: De eerdere XAI-studie identificeerde "levenslange psychiatrische opname" als een sterke voorspeller. De LCA toonde echter aan dat dit kenmerk alleen sterk correleert met Klasse 4, maar niet met Klasse 2. Dit betekent dat een hoog zelfmoordrisico ook kan bestaan zonder eerdere psychiatrische zorg, een nuance die door een puur individueel voorspellend model mogelijk wordt gemist.

4. Kernbijdragen

1. Identificatie van Heterogeniteit: Het onderzoek bewijst dat de populatie met zelfschade niet homogeen is, maar bestaat uit distincte subgroepen met fundamenteel verschillende risicoprofielen (bijv. "hoge distress zonder zorggeschiedenis" vs. "hoge distress met zorggeschiedenis").
2. Complementariteit van Methoden: Het demonstreert dat unsupervised phenotyping (LCA) en supervised classificatie (XAI/ML) complementair zijn. LCA biedt de populatiecontext die nodig is om individuele voorspellingen van ML-modellen beter te interpreteren.
3. Nuancering van Risicofactoren: Het toont aan dat psychiatrische hospitalisatie een specifiek subgroep kenmerk is, maar geen universele voorwaarde voor hoog risico. Emotionele distress blijkt een meer universeel kernkenmerk te zijn.

5. Betekenis en Conclusie

De studie benadrukt dat het integreren van populatiegebaseerde subgroepanalyse (LCA) in zelfmoordbeoordelingskaders de interpretatie van AI-modellen kan verbeteren. Door te erkennen dat er verschillende "fenotypen" van zelfmoordrisico bestaan, kunnen interventies en beoordelingen beter worden toegespitst op specifieke subgroepen.

• Klinische relevantie: Het herkennen van groepen zoals Klasse 2 (hoge distress, maar geen eerdere opnames) is cruciaal, omdat deze groep mogelijk onderbelicht blijft in systemen die primair vertrouwen op psychiatrische geschiedenis.
• Toekomstperspectief: De auteurs suggereren dat het integreren van LCA-klasse-lidmaatschap als inputvariabele in toekomstige ML-modellen de voorspellende prestaties en de uitlegbaarheid (interpretability) van deze modellen kan verhogen.

Beperkingen: De studie is cross-sectioneel (geen causale conclusies) en gebaseerd op één locatie in Sri Lanka, wat de generaliseerbaarheid beperkt. Desalniettemin biedt het een robuust statistisch raamwerk voor het begrijpen van de complexiteit van zelfmoordrisico.