Trong một nghiên cứu được công bố trên tạp chí Women's Health, các nhà nghiên cứu báo cáo rằng các công cụ này có thể phát hiện IPV tới bốn năm trước khi cá nhân đó tìm kiếm sự chăm sóc tại trung tâm điều trị bạo lực gia đình. Phát hiện này nhấn mạnh tiềm năng của công cụ trong việc sàng lọc chủ động và hỗ trợ các nhà cung cấp dịch vụ chăm sóc sức khỏe bắt đầu các cuộc trò chuyện sớm hơn về IPV với bệnh nhân.

"Nghiên cứu của chúng tôi cung cấp bằng chứng về khả năng trí tuệ nhân tạo (AI) có thể hỗ trợ các bác sĩ lâm sàng trong việc phát hiện sớm các dấu hiệu bạo hành tiềm ẩn," Tiến sĩ Bharti Khurana, MD, MBA, trưởng nhóm nghiên cứu, tác giả chính và tác giả cao cấp, giám đốc sáng lập Trung tâm Nghiên cứu và Đổi mới Hình ảnh Chấn thương và là bác sĩ X quang cấp cứu tại Khoa X quang Bệnh viện Đa khoa Massachusetts Brigham cho biết. "Việc xác định sớm bạo lực gia đình và nguy cơ trong tương lai có thể giúp các bác sĩ lâm sàng can thiệp sớm hơn và ngăn ngừa những hậu quả nghiêm trọng về sức khỏe tâm thần và thể chất."

Quy mô tiềm ẩn của bạo lực gia đình

Hơn một phần ba phụ nữ và một phần mười nam giới sẽ trải qua bạo lực gia đình trong đời; tuy nhiên, bất chấp tỷ lệ phổ biến cao, người ta hiếm khi tiết lộ bạo lực gia đình cho các nhà cung cấp dịch vụ y tế do sợ hãi, kỳ thị, hoặc phụ thuộc về tài chính hoặc tâm lý vào người gây bạo hành. Nghiên cứu trước đây cho thấy những người trải qua bạo lực gia đình có nhiều khả năng tiết lộ hành vi bạo lực hơn nếu được hỏi riêng bởi một nhà cung cấp dịch vụ y tế đáng tin cậy theo cách tiếp cận thấu hiểu chấn thương tâm lý .

Huấn luyện AI trên hồ sơ y tế

Để thúc đẩy việc phát hiện và can thiệp sớm hơn bởi các nhà cung cấp dịch vụ y tế, nhóm nghiên cứu của Khurana, hợp tác với các nhà nghiên cứu tại Viện Công nghệ Massachusetts (MIT) do Tiến sĩ Dimitris Bertsimas dẫn đầu, đã huấn luyện ba mô hình học máy bằng cách sử dụng dữ liệu hồ sơ bệnh án điện tử (EMR) từ 673 phụ nữ đã đến trung tâm can thiệp và phòng ngừa bạo lực gia đình tại một trung tâm y tế học thuật của Hoa Kỳ từ năm 2017 đến năm 2022, cũng như 4.169 người đối chứng có đặc điểm nhân khẩu học tương đồng nhưng không báo cáo về bạo lực gia đình.

Ba mô hình AI được thử nghiệm bao gồm một mô hình dạng bảng sử dụng dữ liệu EMR có cấu trúc như chẩn đoán, thuốc men và chỉ số thiếu thốn về mặt xã hội dựa trên mã bưu chính; một mô hình ghi chú sử dụng các ghi chú lâm sàng không có cấu trúc, báo cáo X quang và báo cáo của khoa cấp cứu; và một mô hình kết hợp cả hai loại dữ liệu được gọi là Trí tuệ nhân tạo toàn diện trong Y học (HAIM).

Hiệu suất của các mô hình

Khi được thử nghiệm trên 168 bệnh nhân đến trung tâm can thiệp và phòng ngừa bạo lực gia đình trong cùng khoảng thời gian và 1.043 người thuộc nhóm đối chứng, cả ba mô hình đều cho thấy độ chính xác cao, trong đó mô hình kết hợp đạt độ chính xác cao nhất (88%). Khi được thử nghiệm với hồ sơ y tế được lưu trữ có dấu thời gian, mô hình kết hợp có thể dự đoán trước 80,5% trường hợp – trung bình hơn 3,7 năm trước khi bệnh nhân tìm kiếm sự chăm sóc y tế.

Sau đó, các mô hình được kiểm chứng bằng dữ liệu từ hai nhóm bệnh nhân bổ sung không được đưa vào dữ liệu huấn luyện hoặc kiểm thử, và nhóm đối chứng, cho thấy độ chính xác cao tương tự.

Các yếu tố rủi ro và hạn chế

Nghiên cứu trước đây do Khurana dẫn đầu đã chỉ ra rằng phụ nữ thường xuyên phải chụp chiếu hình ảnh tại phòng cấp cứu và có những loại chấn thương cụ thể có nhiều khả năng báo cáo về bạo lực gia đình sau này. Nghiên cứu AI mới này đã xác định thêm các yếu tố rủi ro đối với bạo lực gia đình: Những người mắc các rối loạn sức khỏe tâm thần , đau mãn tính và thường xuyên đến phòng cấp cứu có nhiều khả năng bị bạo lực gia đình hơn, trong khi những bệnh nhân thường xuyên sử dụng các dịch vụ phòng ngừa như chụp nhũ ảnh và tiêm chủng có nguy cơ thấp hơn.

Các tác giả lưu ý rằng các công cụ AI được phát triển và kiểm chứng trên những bệnh nhân đã tìm kiếm sự chăm sóc hoặc tiết lộ về bạo lực gia đình (IPV), điều này có thể hạn chế độ chính xác trong việc dự đoán IPV ở những cá nhân ít có khả năng tìm kiếm sự chăm sóc hoặc tiết lộ IPV cho các nhà cung cấp dịch vụ. Ngoài ra, nhóm đối chứng trong dữ liệu huấn luyện có thể bao gồm các trường hợp âm tính giả, hoặc những bệnh nhân đang trải qua IPV nhưng không báo cáo, điều này có thể làm giảm độ chính xác của mô hình. Khurana lưu ý rằng việc huấn luyện trong tương lai với các tập dữ liệu bệnh nhân lớn hơn, đa dạng hơn trong thời gian dài hơn sẽ cải thiện độ chính xác của mô hình.