Hostname: page-component-cd9895bd7-jkksz Total loading time: 0 Render date: 2024-12-18T02:27:05.591Z Has data issue: false hasContentIssue false
  • English
  • Français

Validación de la Escala Informatizada de Riesgo de Suicidio, un instrumento de red neural de retropropagación (CSRS-BP)

Published online by Cambridge University Press:  12 May 2020

I. Modai ,
M. Ritsner ,
R. Kurs ,
S. Mendel  and
A. Ponizovsky
I. Modai
Affiliation:
Centro de Salud Mental de Sha'ar Menashe, Instituto de Investigación para Estudios Psiquiátricos, Facultad de Medicina Bruce Rappaport, Technion, Haifa, Israel
M. Ritsner
Affiliation:
Centro de Salud Mental de Sha'ar Menashe, Instituto de Investigación para Estudios Psiquiátricos, Facultad de Medicina Bruce Rappaport, Technion, Haifa, Israel
R. Kurs
Affiliation:
Centro de Salud Mental de Sha'ar Menashe, Instituto de Investigación para Estudios Psiquiátricos, Facultad de Medicina Bruce Rappaport, Technion, Haifa, Israel
S. Mendel
Affiliation:
Escuela Técnica Rebeca Meirhoff, Universidad de Tel Aviv, Tel Aviv, Israel
A. Ponizovsky
Affiliation:
Escuela Técnica Rebeca Meirhoff, Universidad de Tel Aviv, Tel Aviv, Israel
Get access

Resumen

Antecedentes:

Los intentos de suicidio médicamente graves se han reconocido como el predictor más importante de suicidio. Recientemente se ha encontrado que la Escala Informatizada de Riesgo de Suicidio basada en redes neurales de retropropagación (CSRS-BP) es eficaz en la detección de historias clínicas de pacientes que realizaron intentos de suicidio médicamente graves (ISMG).

Objetivos:

Validar la CSRS-BP: 1) utilizándola con pacientes en lugar de con historias clínicas; 2) comparando la capacidad de psiquiatras expertos para detectar ISMG utilizando la lista de la CSRS, y 3) comparando los resultados del Estimador de Riesgo para el Suicidio (RES) y la Escala de autoevaluación de Riesgo de Suicidio (SRS) con la CSRS-BP.

Métodos:

Profesionales clínicos diagnosticaron a 250 pacientes psiquiátricos hospitalizados (35 con ISMG y 215 sin ISMG) utilizando la SCID del DSM IV. Tres psiquiatras expertos cumplimentaron la lista de la CSRS y el RES para cada paciente, y los pacientes rellenaron la escala de evaluación de autoinforme SRS. La CSRS-BP se pasó en máquina para cada paciente. Otros cinco psiquiatras expertos evaluaron las listas de la CSRS y estimaron la probabilidad de ISMG para cada paciente. Se hicieron comparaciones de las tasas de sensibilidad y especificidad entre la CSRS-BP, las escalas de evaluación y los expertos.

Resultados:

Inicialmente, la CSRS-BP, el RES, la SRS y los expertos obtuvieron malos resultados. Aunque las tasas de sensibilidad y especificidad mejoraron significativamente (de dos a cuatro veces) después de la inclusión de información con respecto al número de intentos previos de suicidio en el conjunto de datos de entrada, los resultados todavía no eran significativos.

Conclusiones:

La CSRS-BP, que tuvo mucho éxito en la detección de historias clínicas de pacientes con ISMG, no detectó a los pacientes con ISMG en entrevistas cara a cara. La información con respecto a los intentos de suicidio anteriores es un predictor importante de ISMG, pero es insuficiente para su detección en los pacientes individuales. La tasa de detección de la SRS y la escala RES fue también mala y, por tanto, no pudieron identificar a los pacientes con ISMG o utilizarse para validar la CSRS-BP.

Keywords

CSRSdetección de ISMGRESSRS
Type
Artículo Original
Information
European Psychiatry (Ed. Española) , Volume 9 , Issue 7 , October 2002 , pp. 441 - 448
Copyright
Copyright © European Psychiatric Association 2002

Access options

Get access to the full version of this content by using one of the access options below. (Log in options will check for institutional or personal access. Content may require purchase if you do not have access.)

Footnotes

ModaiI, RitsnerM, KursR, MendelS, PonizovskyA. Validación de la Escala Informatizada de Riesgo de Suicidio, un instrumento de red neural de retropropagación (CSRS-BP). Eur Psychiatry2002; 17: 75–81. Computerized Suicide Risk Scale- a backpropagation neural network

References

Bibliografía

American Psychiatric Association. Diagnostic and Statistical Manual of Mental Disorders, 4th edition. Washington DC: APA, 1994.Google Scholar
Baxt, GW. Application of artificial neural networks to clinical medicine. Lancet 1995; 346: 1135–8.CrossRefGoogle ScholarPubMed
Beck, AT, Resnik, LP, Lettieri, DJ, Eds. The prediction of suicide. Philadelphia: Charles Press, 1974.Google Scholar
Boone, JM, Sigillito, VG, Shaber, GS. Neural network in radiology: an introduction and evaluation in a signal detection task. Med Phys 1990; 17: 234–41.Google Scholar
Cullberg, J, Wasserman, D, Stefensson, CG. Who commits suicide after a suicide attempt? An 8 to 10 year follow up in a suburban catchment area. Acta Psychiatr Scand 1988, 77: 598–603.CrossRefGoogle Scholar
Elliott, AJ, Pages, KP, Russo, J, Wilson, LG, Roy-Byrne, PP. A profile of medically serious suicide attempts. J Clin Psychiatry 1996; 57: 567–71.CrossRefGoogle ScholarPubMed
First, MB, Spitzer, RL, Gibbon, M, Williams, JBW. Structured Clinical Interview for DSM-IV Axis I Disorders, Patient Edition (SCID-P), versión 2: New York: Stat Psychiatric Institute Biometrics Research; 1995.Google Scholar
Garson, GD. Interpreting neural network connecting weights. AI Expert April 1991: 47-51.Google Scholar
Goldstein, RB, Black, DW, Nasrallah, A, Winokur, G. The prediction of suicide, sensitivity, specificity, and predictive valué of a multivariate model applied to suicide among 1906 patients with affective disorders. Ardh Gen Psychiatry 1991; 48: 418–22.CrossRefGoogle ScholarPubMed
Hintze, JL. NCSS 6.0. Statistical System for Windows. User's guide. Number Cruncher Statistical Systems: Kaysville, Utah; 1998.Google Scholar
Isometska, EL, Lonnqvist, JK. Suicide attempts preceding completed suicide. Br J Psychiatry 1998; 173: 531–5.CrossRefGoogle Scholar
Kaplan, RD, Kottler, DB, Francés, AJ. Reliability and rationality in the prediction of suicide. Hosp Community Psychiatry 1982; 33: 212–5.Google ScholarPubMed
Ivarsson, T, Larsson, B, Gillberg, C. A 2-4 year follow up of depressive symptoms, suicidal ideation, and suicide attempts among adolescent psychiatric inpatients. Eur Child Adolesc Psychiatry 1998; 7: 96–104.CrossRefGoogle ScholarPubMed
Kay, SR, Opler, LA, Lindenmayer, JP. Reliability and validity of the positive and negative syndrome scale for schizophrenia. Psychiatry Res 1988; 23: 99–110.CrossRefGoogle Scholar
Krupinski, M, Fischer, A, Grohmann, R, Engel, R, Hollweg, M, Moller, HJ. Risk factors for suicides of inpatients with depressive psychoses. Eur Arch Psychiatry Clin Neurosci 1998; 248: 141–7.CrossRefGoogle ScholarPubMed
Leenaars, AA. Clinical evaluation of suicide. Psychiatry Clin Neurosci 1995; 49 (Suppl 1): s61–8.CrossRefGoogle ScholarPubMed
Leon, AC, Friedman, RA, Sweeney, JA, Brown, RP, Mann, JJ. Statistical issues in the identification of risk factors for suicidal behavior: the application of survival analysis. Psychiatry Res 1990; 31: 99–108.CrossRefGoogle ScholarPubMed
Lin, CJ. A fuzzy adaptive learning control network with on-line structure and parameter learning. Int J Neural Syst 1996; 7; 569–90.CrossRefGoogle ScholarPubMed
Litman, RE. Predicting and preventing hospital and clinic suicides. In: Maris, RW, Berman, AL, Maltsberger, JT, Yufit, Rl, Eds. Assessment and prediction of suicide. New York: Guilford Press; 1992. p. 448–66.Google Scholar
Maltsberger, JT. The psychodynamic formulation: aAn aid in assessing suicide risk. In: Maris, RW, Berman, AL, Maltsberger, JT, Yufit, Rl, Eds. Assessment and prediction of suicide. New York: Guilford Press; 1-992, p. 25–49.Google Scholar
Mann, NH, Brown, MD. Artificial intelligence in the diagnosis of low back pain. Orthop Clin N Am 1991; 22: 303–14.Google Scholar
Maris, RW, Berman, AL, Maltsberger, JT. Summary and conclusions: what have we learned about suicide assessment and prediction? In: Maris, RW, Berman, AL, Maltsberger, JT, Yufit, Rl, Eds. Assessment and prediction of suicide. New York: Guilford Press; 1992. p. 640-53.Google Scholar
Modai, I, Valevski, A, Solomish, A, Kurs, R. Hiñes IL, Ritsner, M, et al.Neural network detection of files of suicidal patients and suicidal profiles. MedO Inform Internet Med 1999; 24: 249–56.Google ScholarPubMed
Motto, JA. An integrated approach to estimating suicide risk. In: Maris, RW, Berman, AL, Maltsberger, JT, Yufit, Rl, Eds. Assessment and prediction of suicide. New York: Guilford Press; 1992. p. 625-39.Google Scholar
Motto, JA, Heilborn, DC, Juster, RP. Development of a clinical instrument to estímate suicide risk. Am J Psychiatry 1985; 14: 680–6.Google Scholar
Plotchik, R, Van Praag, HM, Conte, HR, Picard, S. Correlates of suicide and violence risk 1: the suicide risk measure. Compr Psychiatry 1989; 30: 296–302.CrossRefGoogle Scholar
Ritsner, M, Rabinowitz, J, Slyuzberg, M. The Talbieh Brief Distress Inventory: a brief instrument to measure psychological distress among immigrants. Compr Psychiatry 1995; 36: 448–53.CrossRefGoogle ScholarPubMed
Rosen, DH. The serious suicide attempt. Five-year followup study of 886 patients. JAMA 1976; 235: 2105–9.CrossRefGoogle ScholarPubMed
Stephens, JH, Pascal, R, McHugh, PR. Suicide in patients hospitalized for schizophrenia: 1913-1940. J Nerv Ment Dis 1999; 8 : 671–7.Google Scholar
Tuckman, J, Youngman, WF. A scale for assessing suicide risk of attempted suicides. J Clin Psychol 1968; 24: 17–9.3.0.CO;2-T>CrossRefGoogle ScholarPubMed
Wasserman, PD. Neural computing theory and practice. New York: Wan Nostard Reinhold, ANZA Research Inclinations; 1989.Google Scholar
Zimet, GD, Dahlem, NW, Zimet, SG, Farley, GK. The multidimensional scale of perceived social support. J Pers Assess 1988; 52: 30–41.CrossRefGoogle Scholar
Zung, W. Index of potential suicide. In: Beck, AT, Resnik, LP, Lettieri, DJ, Eds. The Prediction of Suicide. Philadelphia: Charles Press:; 1974.CrossRefGoogle Scholar