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

Este estudo demonstra que a Análise de Classes Latentes identifica subgrupos distintos de pacientes com comportamentos suicidas e perfis clínicos variados, oferecendo uma perspectiva populacional complementar que enriquece a interpretabilidade dos modelos de classificação baseados em Inteligência Artificial Explicável.

O essencial

Imagine que o suicídio e o automutilação são como uma floresta densa e complexa. Por muito tempo, os cientistas tentaram entender essa floresta olhando para cada árvore individualmente, tentando prever qual árvore poderia cair. Eles usaram computadores muito inteligentes (Inteligência Artificial) para analisar cada pessoa e dizer: "Esta pessoa tem 80% de risco".

Mas, às vezes, olhar apenas para a árvore individual não explica por que a floresta inteira é tão perigosa ou por que algumas áreas da floresta são mais seguras que outras. É aí que entra este novo estudo.

Os autores, Busenur Kizilaslan e Lars Mehlum, decidiram fazer algo diferente. Em vez de apenas olhar para árvores soltas, eles usaram uma ferramenta chamada Análise de Classes Latentes (pode imaginar isso como um "organizador de caixas mágico") para agrupar as pessoas em quatro grupos distintos, baseando-se em como elas se sentiam, suas vidas e seus problemas.

Aqui está o que eles descobriram, explicado de forma simples:

1. O "Organizador de Caixas" encontrou 4 Grupos

Ao colocar as 1.000 pessoas do estudo nessas caixas, o computador encontrou dois grupos de "baixo risco" e dois grupos de "alto risco". Mas o mais interessante é que os dois grupos de alto risco eram totalmente diferentes entre si.

• Grupo 1 (O Grupo "Estável"): São pessoas que geralmente estão empregadas, têm menos problemas emocionais, dormem bem e raramente vão ao hospital psiquiátrico. É como um bairro tranquilo. O risco de suicídio aqui é quase zero.
• Grupo 3 (O Grupo "Idoso e Sombrio"): Também tem risco muito baixo, mas é um grupo diferente. São pessoas mais velhas, com dores físicas (como dores crônicas), mas que não têm tanta angústia emocional quanto os outros grupos. É como uma casa de repouso onde as pessoas estão velhas e doentes, mas não estão desesperadas emocionalmente.
• Grupo 2 (O "Tormento Silencioso"): Aqui está o perigo. São pessoas com risco altíssimo de suicídio (91%), mas quase nenhuma delas já foi internada em um hospital psiquiátrico antes. Elas estão sofrendo muito: sentem raiva, solidão, tristeza profunda e vergonha, mas nunca pediram ajuda formal ou foram diagnosticadas. É como um incêndio que está queimando dentro de casa, mas ninguém viu a fumaça saindo do telhado.
• Grupo 4 (O "Ciclo de Crise"): Este também tem risco altíssimo (99%), mas é diferente do Grupo 2. Aqui, 100% das pessoas já foram internadas em hospitais psiquiátricos no passado. Elas têm histórico de tentativas de suicídio, depressão severa e bipolaridade. É como um incêndio que já queimou a casa várias vezes e o sistema de alarme (hospital) já tocou muitas vezes.

2. A Grande Revelação: Nem todo risco é igual

O estudo compara esses grupos com o que a Inteligência Artificial (IA) já sabia. A IA era ótima em dizer "esta pessoa tem raiva e solidão, então é perigosa". Isso é verdade para ambos os grupos de alto risco.

Mas a IA sozinha não via a diferença crucial:

• Se você olhar apenas para quem já foi ao hospital, você vai pegar o Grupo 4.
• Mas você vai ignorar completamente o Grupo 2, que é igualmente perigoso, mas nunca pisou num hospital.

É como se um médico dissesse: "Só vamos tratar quem já teve um ataque cardíaco no passado". O estudo diz: "Espere! Temos muitas pessoas que estão prestes a ter um ataque cardíaco agora, mas nunca tiveram um antes. Elas precisam de ajuda também!".

3. Por que isso importa? (A Analogia do Mapa)

Imagine que a Inteligência Artificial é um GPS que diz: "Vire à direita agora, há um buraco na estrada". É ótimo para o motorista individual.

Mas a Análise de Classes (o estudo) é como um mapa geológico que mostra que existem dois tipos de buracos diferentes:

1. Um buraco que aparece porque a estrada já estava rachada (quem já foi ao hospital).
2. Um buraco que aparece subitamente porque o solo é instável, mesmo que a estrada pareça nova (quem nunca foi ao hospital).

Conclusão Simples

Este estudo nos ensina que não podemos tratar todas as pessoas em risco de suicídio da mesma maneira.

• Algumas precisam de ajuda porque têm um histórico médico pesado.
• Outras precisam de ajuda urgente porque estão sofrendo em silêncio, sem histórico médico, mas com muita dor emocional.

A mensagem final é: A tecnologia (IA) é ótima para prever o risco, mas precisamos entender os "grupos" de pessoas para saber como ajudar cada uma delas. Juntar os dois métodos (IA + Grupos) nos dá um mapa mais completo para salvar vidas, garantindo que ninguém fique de fora porque "nunca pediu ajuda antes".

Resumo técnico

Resumo Técnico: Identificação de Subgrupos Relacionados ao Suicídio usando Análise de Classes Latentes: Insights Complementares para Classificação Baseada em IA Explicável

1. Problema e Contexto

O suicídio e o autolesão são fenômenos complexos e multifatoriais caracterizados por uma heterogeneidade clínica e psicossocial substancial. Embora modelos de aprendizado de máquina (ML) e Inteligência Artificial Explicável (XAI) tenham demonstrado desempenho promissor na estimativa de risco de suicídio a nível individual, essas abordagens supervisionadas tendem a focar em previsões individuais e podem não capturar totalmente os padrões populacionais ou a heterogeneidade de subgrupos latentes.
Existe uma lacuna na literatura sobre como a fenotipagem populacional (não supervisionada) se relaciona com a importância de variáveis em modelos de classificação supervisionada. O objetivo deste estudo é investigar se a Análise de Classes Latentes (LCA) pode identificar subgrupos distintos que complementem os insights de modelos baseados em XAI, oferecendo um contexto populacional que enriqueça a interpretação de ferramentas de avaliação de risco.

2. Metodologia

• Dados: O estudo realizou uma análise secundária de um conjunto de dados público e anonimizado de 1.000 indivíduos (500 que morreram por suicídio e 500 que não) do Hospital de Ensino de Colombo Sul, em Sri Lanka.
• Variáveis: Foram utilizadas variáveis sociodemográficas, clínicas e psicossociais (ex.: idade, gênero, religião, histórico de hospitalização psiquiátrica, tentativas anteriores, distúrbios psiquiátricos, isolamento social, sentimentos de humilhação, etc.).
• Abordagem Estatística:
  • Análise de Classes Latentes (LCA): Aplicada para identificar subgrupos não observados baseados em padrões compartilhados de características de risco. A LCA é um método probabilístico que lida com a incerteza na membresia da classe.
  • Seleção do Modelo: Foram testados modelos de 2 a 10 classes. O modelo final foi selecionado com base nos critérios de ajuste (BIC e cAIC mais baixos), significância do teste de razão de verossimilhança Lo-Mendell-Rubin (LMR-LRT) e interpretabilidade clínica. A qualidade da classificação foi avaliada pela entropia.
  • Comparação com XAI: Os perfis dos subgrupos identificados foram comparados descritivamente com os resultados de um estudo anterior utilizando o mesmo conjunto de dados, que empregou um modelo de ML supervisionado com análise de importância de características (SHAP).

3. Resultados Principais

A LCA identificou uma solução de quatro classes latentes distintas, revelando uma heterogeneidade marcante:

• Classes de Baixa Prevalência de Suicídio:

  • Classe 1 (n=357, 36%): Prevalência de suicídio de 0,6%. Caracterizada por baixo sofrimento emocional, baixa morbidade psiquiátrica, alta taxa de emprego (95%) e predominância de mulheres.
  • Classe 3 (n=115, 12%): Prevalência de suicídio de 0,9%. Diferente da Classe 1, esta classe era mais idosa, com maior carga de condições somáticas (dor crônica), mas baixo sofrimento psicossocial. Destaca-se pela composição religiosa (maioria muçulmana, cristã e hindu, sem budistas) e ausência de participantes da etnia tâmil.

• Classes de Alta Prevalência de Suicídio:

  • Classe 2 (n=330, 33%): Prevalência de suicídio de 91,2%. Caracterizada por altos níveis de sofrimento emocional e social (raiva, tristeza, isolamento, problemas de sono), mas com baixa taxa de hospitalização psiquiátrica prévia (11,3%) e poucos diagnósticos documentados.
  • Classe 4 (n=198, 20%): Prevalência de suicídio de 99,0%. Caracterizada por 100% de histórico de hospitalização psiquiátrica, alta prevalência de tentativas anteriores, pensamentos suicidas, autolesão e diagnósticos psiquiátricos (depressão, transtorno bipolar).

Comparação com XAI (SHAP):

• As variáveis de sofrimento emocional e social (raiva, tristeza, isolamento) foram as mais importantes no modelo XAI anterior e estavam consistentemente elevadas em ambas as classes de alta prevalência (Classe 2 e 4).
• A hospitalização psiquiátrica, embora importante no modelo XAI, mostrou-se um marcador específico apenas da Classe 4. A Classe 2, apesar de ter risco extremamente alto, tinha pouca história de hospitalização, indicando que o risco de suicídio pode existir sem o contato prévio com serviços psiquiátricos.
• Fatores como desemprego e menor nível educacional correlacionaram-se fortemente com as classes de alto risco, alinhando-se com as descobertas do modelo de ML.

4. Contribuições Chave

1. Heterogeneidade Revelada: O estudo demonstra que a população de alto risco não é homogênea. Existem pelo menos dois perfis distintos de alto risco: um com histórico clínico psiquiátrico intenso (Classe 4) e outro caracterizado principalmente por sofrimento psicossocial agudo e isolamento, sem histórico de hospitalização (Classe 2).
2. Complementaridade de Métodos: A pesquisa valida a hipótese de que abordagens não supervisionadas (LCA) e supervisionadas (XAI/ML) oferecem perspectivas complementares. Enquanto o XAI identifica quais variáveis são preditoras globalmente, a LCA revela como essas variáveis se combinam em subgrupos específicos com diferentes trajetórias clínicas.
3. Insights Clínicos e Socioculturais: A identificação de subgrupos de baixo risco com características socioculturais específicas (ex.: religião, etnia, gênero) ajuda a entender fatores protetores que modelos individuais puramente preditivos podem não capturar.

5. Significância e Conclusão

Este estudo reforça a necessidade de integrar a fenotipagem populacional aos modelos de avaliação de risco de suicídio. A simples aplicação de modelos de "caixa preta" ou mesmo explicáveis pode falhar ao não considerar que indivíduos com o mesmo nível de risco predito podem pertencer a subgrupos com perfis clínicos radicalmente diferentes (ex.: com ou sem histórico de hospitalização).

A integração de membros de classes latentes em modelos de IA futuros pode melhorar a interpretabilidade e a precisão, permitindo que as intervenções sejam direcionadas não apenas ao risco individual, mas também às necessidades específicas de subgrupos populacionais. O estudo destaca que o sofrimento emocional e social é um núcleo comum de risco, mas que a trajetória clínica (como o acesso a serviços de saúde mental) varia significativamente entre os subgrupos de alto risco.

Limitações: O estudo é transversal (não estabelece causalidade temporal) e baseado em uma única amostra do Sri Lanka, o que pode limitar a generalização. No entanto, a reprodutibilidade e o uso de dados públicos fortalecem a validade das descobertas metodológicas.