Bij welke sociaal-demografische groepen komt suïcide het meest voor?

In Nederland sterven gemiddeld vijf mensen per dag aan suïcide. Elk van deze gevallen is een tragedie, voor zowel het slachtoffer als de nabestaanden. De oorzaak van en aanleiding tot suïcide is complex en daarmee het terugdringen van suïcides ook. Net als bij hiv, verkeersongevallen, roken, enzovoort, waarbij het is gelukt om het aantal slachtoffers terug te dringen, vereist suïcidepreventie maatregelen op meerdere niveaus [1]: 1) universele preventiestrategieën die zich op de gehele populatie richten, zoals verantwoorde berichtgeving in de media, publiekscampagnes en de beperking van de toegang tot middelen om suïcide te plegen; 2) selectieve preventiestrategieën die zich op risicogroepen richten: doelgroepen binnen een populatie waarvan we weten dat ze meer risico hebben op suïcide. Voorbeelden van interventies op dit niveau zijn gatekeepertraining (waar professionals getraind worden om suïcidaliteit te signaleren en bespreekbaar te maken) op plekken waar relatief veel mensen met meer risico komen en preventieprogramma’s op scholen om mentale problematiek in een vroeg stadium aan te pakken [2, 3]. En 3) geïndiceerde preventiestrategieën die gericht zijn op de specifiek kwetsbare personen binnen de bevolking: mensen die suïcidegedachten hebben of een suïcidepoging hebben gedaan [1]. Voorbeelden van deze interventies zijn cognitieve gedragstherapie voor mensen met depressieve klachten en nazorg voor mensen die na een suïcidepoging op de spoedeisende hulp terechtkomen.

Voor interventies op het tweede niveau (selectieve preventie) is het van belang om groepen met een verhoogd risico op suïcide te identificeren en te detecteren. Er zijn al meerdere onderzoeken naar risicofactoren voor zelfdoding gedaan [4‐9]. Niet geheel onverwacht zijn de belangrijkste voorspellers voor overlijden door suïcide een eerdere niet-fatale suïcidepoging of een eerdere psychiatrische opname [7]. Traumatische levensgebeurtenissen en het hebben van mentale problemen, zoals depressie of verslaving, verhogen het risico op suïcidale gedachten en pogingen substantieel, wat vervolgens het risico op overlijden door suïcide verhoogt [7]. Daarnaast is er een aantal sociaal-demografische groepen met een verhoogd risico, zoals mannen, mensen van middelbare leeftijd en alleenwonenden [7, 9].

Bij complexe en multifactoriële gebeurtenissen zoals suïcide is bekend dat interacties van risicofactoren een substantiële rol spelen. Met andere woorden, een risicofactor ‘A’ die het risico groter maakt onder mensen die al risicofactor ‘B’ hebben dan onder mensen die risicofactor ‘B’ niet hebben. Het is bijvoorbeeld bekend dat stressvolle levensgebeurtenissen sneller tot depressie leiden bij mensen met een genetische kwetsbaarheid voor depressie [10]. Over interacties van sociaal-demografische risicofactoren voor suïcide is echter nog weinig bekend. In een hypothetisch voorbeeld: het is aannemelijk dat werkloosheid een grotere risicofactor is voor mannen die alleen wonen dan voor de rest van de bevolking. De detectie van relevante interacties van risicofactoren maakt het makkelijker om de hoogrisicogroepen op te sporen, wat de effectiviteit van selectieve preventiemaatregelen ten goede kan komen en zo kan bijdragen aan minder suïcides.

Machine learning-methoden bieden nieuwe mogelijkheden voor flexibel, datagedreven, hypothesevrij en robuust onderzoek naar de interacties van risicofactoren voor suïcide. In dit artikel presenteren we een nieuw machine learning-model dat toestaat om complexe interacties van sociaal-demografische risicofactoren te onderzoeken. Ons model resulteert in gedetailleerde en interpreteerbare resultaten die het mogelijk maken groepen met een hoog risico op suïcide te identificeren, waardoor het model kan helpen om gerichte interventies in te zetten. Een Engelstalig artikel over dit onderzoek is onlangs verschenen in een internationaal wetenschappelijk peer-reviewed tijdschrift [11].

In dit onderzoek hebben we een nieuw model ontwikkeld om interacties tussen hoogrisicofactoren te vinden. We hebben vier groepen gevonden waarin meer dan vijftig per 100.000 personen per jaar overlijden aan suïcide. Gegeven dat in de gehele populatie gemiddeld 11,8 personen per 100.000 overlijden aan suïcide, vormen deze groepen zeerhoogrisicogroepen. Daarnaast hebben we factoren geïdentificeerd die samen het risico op zelfdoding verhogen, terwijl ze dat in isolatie niet noodzakelijkerwijs doen. Deze interacties hadden met standaardvoorspellingsmodellen niet gedetecteerd kunnen worden.

We hebben vier hoogrisicogroepen geïdentificeerd die gerelateerd lijken aan sociaal-economische problematiek: mensen die nooit getrouwd zijn geweest en een arbeidsongeschiktheidsuitkering ontvangen (88 suïcides per 100.000 personen per jaar); mensen die nooit getrouwd zijn geweest, een arbeidsongeschiktheidsuitkering ontvangen en lage zorgkosten hadden (83 suïcides per 100.000 per jaar); mannen met een arbeidsongeschiktheidsuitkering (59 suïcides per 100.000 personen per jaar); en mensen van 55–69 jaar oud die nooit getrouwd waren, alleen wonen en daarnaast in de laagste 25 % huishoudinkomens zitten (57 suïcides per 100.000 personen per jaar).

Op basis van deze bevindingen raden wij suïcidepreventiemaatregelen aan bij instanties en professionals die vaak met deze mensen werken, zoals mensen die een arbeidsongeschiktheidsuitkering ontvangen (zorgmedewerkers, arbo-artsen, arbeidsdeskundigen en maatschappelijke dienstverleners). Een van de mogelijkheden is een suïcidepreventietraining waarbij je leert hoe je signalen herkent en suïcidaliteit bespreekbaar kan maken [2, 3]. Om er achter te komen wat er exact aan de hand is bij deze combinaties van risicofactoren dat maakt dat er zo’n hoog risico is op suïcide is meer (kwalitatief) onderzoek nodig.

Naast de hoogrisicogroepen van meer dan vijftig suïcides per 100.000 personen per jaar hebben we ook risicofactoren gevonden die enkel in het bijzijn van andere factoren een verhoogd risico opleveren. Ten eerste, hoewel noch jongvolwassenen (25–39 jaar), noch laagopgeleiden afzonderlijk gerelateerd zijn aan een hoger risico op suïcide, zien we dat de overlappende groep (laag opgeleiden van 25–39 jaar) wel een verhoogd risico heeft om door suïcide te overlijden. Om te onderzoeken waarom ze meer risico lopen, raden wij aan om nader onderzoek te doen naar deze groep, waarin onder andere sociaal-economische factoren, externe stressoren, psychosociale omstandigheden en psychische kwetsbaarheden worden meegenomen.

Ten tweede verhoogt het verweduwd zijn het risico op suïcide niet in de algemene bevolking, maar wel sterk onder mannen. Onder verweduwde mannen is het suïcidecijfer twee keer zo hoog als onder mannen in het algemeen. In eerdere onderzoeken werd een relatief hoog risico op suïcide gevonden onder verweduwden [12‐14], maar voor zover wij weten is dit het eerste onderzoek dat aantoont dat in Nederland dit hogere risico onder verweduwden hoofdzakelijk voorkomt onder mannen. Een eerder onderzoek heeft aangetoond dat verweduwde mannen vergeleken met verweduwde vrouwen minder inkomensverlies hebben, maar vaker negatieve gevolgen zoals eenzaamheid en depressie ervaren [15]. Onze bevindingen onderstrepen de noodzaak van sociale steun aan mannen die hun partner hebben verloren, en sporen aan tot het trainen van gatekeepers onder professionals die in contact komen met deze groep.

Ten slotte wijzen we op twee risicofactoren die in een groot aantal interacties voorkomen: 1) tussen de 55–69 jaar oud zijn en 2) nooit getrouwd zijn. Het grote aantal significante interacties met deze risicofactoren suggereert dat de risicoprofielen binnen deze groepen anders zijn dan in de algemene bevolking.

Ons onderzoek kent enkele beperkingen die voor de interpretatie van de resultaten van belang zijn. We hebben alle suïcides van Nederlandse ingezetenen tussen 2012 en 2020 meegenomen. We kunnen niet zien of de resultaten stabiel zijn over de tijd. Hiernaast is het model bottom-up opgebouwd door significante interactie-effecten toe te voegen. Met een top-down-aanpak, waar je met alle mogelijke interacties begint, kunnen mogelijk meer hoogrisico-interacties gevonden worden. Zo’n aanpak zal echter meer fout-positieven genereren en vereist disproportioneel veel rekenkracht. Ten derde willen we benadrukken dat dit model geschikt is voor het identificeren van interacties van risicofactoren en niet gebruikt kan worden als taxatie- of screeningsinstrument om het risico in te schatten dat iemand zal overlijden door suïcide. Dit onderzoek draagt bij aan het opsporen van hoogrisicogroepen, zodat we beter weten waar selectieve preventiemaatregelen het meest effect kunnen hebben om suïcides te verminderen. Een ander voordeel van ons onderzoek is dat ons model hypothesevrij is, waardoor niet eerder bekende of veronderstelde interacties van risicogroepen gevonden konden worden. Tot slot genereert het model, zeker in vergelijking met andere machine learning-methoden, resultaten die goed interpreteerbaar zijn.

Samenvattend hebben we een machine learning-model ontwikkeld en uitgevoerd om interacties van risicofactoren voor suïcide te vinden. We hebben disproportioneel hoge suïcide-incidenties gevonden onder 1) arbeidsongeschikten die nooit getrouwd waren, 2) arbeidsongeschikte mannen, 3) mensen tussen de 55 en 69 jaar die alleen wonen, nooit getrouwd zijn en wier huishoudinkomen laag was. Daarnaast hebben we hoge suïcideaantallen gevonden onder mensen tussen de 25–39 jaar met een laag opleidingsniveau en onder verweduwde mannen. Het is wenselijk deze bevindingen in toekomstig suïcidepreventiebeleid op te nemen.