Memperkirakan Risiko Bunuh Diri dari Teks: Alat AI Ringan yang Dapat Diinterpretasikan

### Kebutuhan Mendesak akan Penilaian Risiko yang Lebih Baik

Ketika individu menghubungi saat krisis kesehatan mental, mengidentifikasi mereka yang berisiko bunuh diri tertinggi menjadi tantangan kritis. Upaya bunuh diri terkenal sulit diprediksi, dan bahkan klinisi terlatih kesulitan menentukan siapa di antara mereka yang memiliki ide bunuh diri akan berkembang menuju upaya bunuh diri. Puluhan faktor risiko—mulai dari gejala psikiatrik seperti depresi dan gangguan kepribadian ambang hingga stresor sosial seperti kemiskinan, pemenjaraan, dan kesepian—berinteraksi dengan cara yang kompleks dan kurang dipahami. "Anda melihat semua 50 faktor risiko ini, dan semuanya berinteraksi dengan cara yang tidak benar-benar kita pahami," kata Daniel Low, mantan mahasiswa pascasarjana di McGovern Institute for Brain Research MIT dan kini ilmuwan peneliti di Child Mind Institute. "Banyak jalur berbeda dapat membuat seseorang merasa ingin melarikan diri dari rasa sakit internalnya," tambahnya, sehingga sulit mengetahui jalur siapa yang akan berujung pada upaya bunuh diri atau kematian. Kompleksitas ini menegaskan kebutuhan akan alat yang dapat menilai risiko secara cepat dan akurat berdasarkan komunikasi waktu nyata.

### Alat Baru yang Dibangun dari Percakapan Krisis

Untuk menjawab kebutuhan ini, Low dan Satra Ghosh, ilmuwan peneliti senior di McGovern Institute MIT, bekerja sama dengan Crisis Text Line, organisasi nirlaba global yang menyediakan dukungan kesehatan mental berbasis teks gratis 24/7. Para peneliti menganalisis teks terdeidentifikasi dari sekitar 16.000 percakapan dengan konselor sukarelawan Crisis Text Line. Percakapan ini dikelompokkan ke dalam tiga tingkat risiko: non-suicidal, ide bunuh diri tanpa risiko mendesak, dan risiko mendesak—yang terakhir didefinisikan sebagai memiliki rencana bunuh diri atau niat untuk mati dalam 48 jam. "Kami ingin mengetahui jenis gejala apa yang memprediksi risiko bunuh diri tertinggi," kata Low. Berbeda dari survei epidemiologis tradisional yang mengandalkan ingatan retrospektif, dataset ini menawarkan peluang unik untuk menilai gejala saat orang mengalami krisis. Tim kemudian membangun leksikon risiko bunuh diri menggunakan AI untuk menghasilkan daftar awal kata dan frasa yang terkait dengan 49 faktor risiko yang telah mapan, yang mereka kurasi secara manual dan validasi dengan klinisi ahli. Leksikon akhirnya memuat sekitar 60 kata atau frasa per faktor risiko.

### Cara Kerja Model Berbasis Leksikon

Para peneliti melatih model machine learning untuk mencari istilah dalam leksikon mereka di percakapan krisis dan memprediksi risiko bunuh diri. Karena setiap istilah terhubung ke faktor risiko tertentu, model juga dapat mengidentifikasi faktor mana yang paling erat terkait dengan risiko mendesak. Model memberikan bobot pada setiap faktor risiko berdasarkan kontribusinya terhadap risiko. Misalnya, penyebutan cara mematikan—seperti "cut" atau "pills"—diberi bobot besar, sedangkan istilah terkait keputusasaan, seperti "don't know what to do" atau "hopeless," berkontribusi lebih kecil. Temuan mengungkapkan bahwa penyebutan cara mematikan dan penggunaan zat lebih prediktif untuk kelompok berisiko tertinggi dibandingkan suasana hati tertekan atau kelelahan, meskipun depresi merupakan faktor risiko yang terkenal untuk ide bunuh diri. Ide bunuh diri aktif dan melukai diri juga menjadi prediktor kuat, sedangkan kecemasan, PTSD, dan rasa sakit emosional berperan sebagai prediktor menengah. Setelah pelatihan, model secara akurat memprediksi tingkat keparahan risiko dalam percakapan baru yang belum pernah dilihat. Keunggulan utama pendekatan ini adalah interpretabilitasnya: berbeda dari model deep learning yang menghasilkan estimasi risiko tanpa penjelasan, alat ini menandai kata dan frasa tertentu, menunjukkan kepada pengguna dasar setiap penilaian.

### Ringan, Dapat Diinterpretasikan, dan Peduli Privasi

Low menekankan bahwa meskipun tim menggunakan large language model untuk mengembangkan leksikon, model prediksinya sendiri adalah model yang lebih sederhana dan "ringan". Berbeda dari large language model yang membutuhkan daya komputasi besar, model ini dapat berjalan dengan mudah di komputer pribadi, mengurangi biaya sekaligus kekhawatiran privasi. "Ini ruang yang sangat kompleks sehingga adanya manusia dalam prosesnya, menurut saya, akan tetap kritis untuk waktu yang sangat lama," kata Ghosh, yang memimpin Open Data in Neuroscience Initiative di McGovern Institute. Para peneliti mencatat bahwa setiap model prediktif harus divalidasi secara menyeluruh sebelum digunakan secara klinis dan mungkin perlu penyempurnaan berkelanjutan agar tetap mengikuti perubahan penggunaan bahasa atau populasi sasaran. Untuk itu, mereka membagikan secara luas tidak hanya leksikon risiko bunuh diri mereka tetapi juga paket perangkat lunak yang mereka kembangkan untuk membangunnya, memungkinkan peneliti membuat leksikon untuk kondisi kesehatan mental lain. Pendekatan terbuka ini dapat mempercepat kemajuan dalam memahami dan menilai risiko kesehatan mental di berbagai konteks.

### Implikasi untuk Dukungan Klinis dan Krisis

Dengan validasi lebih lanjut, alat ini dapat meningkatkan penilaian risiko di lingkungan klinis dan situasi dukungan krisis, memungkinkan intervensi yang lebih cepat bagi mereka yang berisiko tertinggi. Kemampuan mengidentifikasi risiko mendesak—seperti memiliki rencana atau niat untuk mati dalam 48 jam—sangat berharga, karena memungkinkan konselor memprioritaskan sumber daya dan memberikan dukungan segera. Keputusan para peneliti untuk membagikan leksikon dan paket perangkat lunak mereka menegaskan komitmen terhadap transparansi dan kolaborasi, yang berpotensi menghasilkan penerapan yang lebih luas di bidang kesehatan mental. Namun, mereka memperingatkan bahwa alat ini bukan pengganti penilaian manusia. "Adanya manusia dalam prosesnya akan tetap kritis," tegas Ghosh. Seiring bahasa berkembang dan populasi berubah, penyempurnaan berkelanjutan akan sangat penting untuk menjaga akurasi. Karya ini merupakan langkah signifikan menuju pemanfaatan natural language processing untuk menjawab salah satu tantangan paling mendesak dalam perawatan kesehatan mental, dengan potensi menyelamatkan nyawa dengan menghubungkan individu ke bantuan yang tepat waktu.