Algorytmy w walce z przemocą domową

Przemoc domowa została sklasyfikowana przez Światową Organizację Zdrowia (WHO) jako najpowszechniejsza forma przemocy wobec kobiet w związkach partnerskich.

Według danych organizacji, około 30% kobiet na świecie doświadczyło przemocy fizycznej i/lub seksualnej ze strony partnera (2024). W Europie odsetek ten wynosi około 18% (2021), w Stanach Zjednoczonych 29,6% (2011), natomiast w Polsce szacuje się, że problem ten dotyczy prawie 10% kobiet.

Przemoc w relacjach partnerskich jest zatem zjawiskiem powszechnym i niepodważalnie stanowi poważny problem zdrowia publicznego.

Przemoc domowa najczęściej rozgrywa się w przestrzeni prywatnej, a poczucie wstydu i strachu sprawia, że wiele kobiet nie decyduje się na zgłoszenie doświadczanych nadużyć. Problem więc przez długi czas pozostaje niewidoczny dla otoczenia i instytucji pomocowych, prowadząc do społecznych i zdrowotnych konsekwencji. Kobiety doświadczające przemocy znacznie częściej zmagają się z depresją, zaburzeniami lękowymi, zespołem stresu pourazowego (PTSD) czy skłonnościami do samookaleczeń.

Czasopismo naukowe NPJ Women’s Health, opublikowało badanie dotyczące potencjalnego wykorzystania sztucznej inteligencji do identyfikowania ryzyka przemocy domowej.

W ramach prowadzonego przez 9 lat projektu, zespół badaczy zaproponował system oparty na metodach uczenia maszynowego, który wykrywa prawdopodobieństwo wykorzytywań na podstawie danych medycznych pacjentek. Łączy analizę zarówno ustrukturyzowanych danych (wyników badań czy diagnoz medycznych), jak i nieustrukturyzowanych (notatkek klinicznych lekarzy). Rozwiązanie ma wspierać lekarzy w podejmowaniu decyzji i dostarczać dodatkowych przesłanek do podjęcia interwencji.

Czy lekarze mogą wcześniej wykrywać przemoc domową?

Według policyjnych statystyk, liczba osób doznających przemocy domowej w Polsce wynosi ok 91,3 tys., z czego ponad 50 tys. stanowią kobiety.

Dane te, mimo że obrazują skalę problemu, pokazują wyłącznie przypadki oficjalnie zgłoszone i zarejestrowane przez służby. Wiele ofiar nie decyduje się na zgłoszenie nadużyć z powodu strachu, wstydu, zależności ekonomicznej lub obawy przed konsekwencjami dla siebie i swojej rodziny.

Na poziomie systemu opieki zdrowotnej wykrywanie przemocy domowej najczęściej zaczyna i kończy się na poziomie lekarza rodzinnego, który dzięki regularnemu kontaktowi z pacjentką może dostrzec pierwsze sygnały wskazujące na nadużycia.

Wymaga to jednak czasu, uważności i zaangażowania lekarza oraz zbudowania zaufania, co w realiach systemu ochrony zdrowia bywa trudne. W przypadku podejrzenia przemocy, lekarz może przeprowadzić bardziej ukierunkowany wywiad, zapytać o bezpieczeństwo w domu oraz wskazać dostępne formy pomocy i instytucje wsparcia. W wielu przypadkach zatem, jeśli ofiara sama nie zdecyduje się poprosić o pomoc, szanse na ujawnienie jej sytuacji są niewielkie.

Przykładowo, w Stanach Zjednoczonych Amerykańska Grupa Robocza ds. Usług Prewencyjnych (U.S. Preventive Services Task Force) zaleca wszystkim kobietom w wieku rozrodczym rutynowe badania przesiewowe w kierunku przemocy ze strony partnera. Opierające się na samoocenie i bezpośrednich deklaracjach pacjentek badanie pozwala wykryć jedynie część przypadków, jednak stanowi solidną podstawę dla rozwiązania zaproponowanego przez badaczy.

Działanie systemu: dane zdradzają więcej niż słowa

System ma wykrywać ryzyko przemocy domowej poprzez analizę informacji z elektronicznej dokumentacji medycznej pacjentki. Jego zadanie to identyfikacja wzorców wskazujących na podwyższone ryzyko przemocy jeszcze zanim pacjentka zdecyduje się zgłosić taki problem lekarzowi. Model wykorzystuje dwa główne typy danych.

Dane strukturalne, czyli informacje już zapisane w bazach danych medycznych, obejmują między innymi historię diagnoz, przyjmowane leki, parametry życiowe (np. ciśnienie krwi czy masa ciała), liczbę wizyt w szpitalu, a także informacje o wykonanych badaniach radiologicznych. Dla wzbogacenia badania, uwzględniono w nich także czynniki społeczne, jak wskaźniki deprywacji społecznej w miejscu zamieszkania pacjentki. Dane strukturalne analizuje na podstawie ich zmian w czasie, np. częstotliwość wizyt czy zmiany parametrów zdrowotnych.

Drugim typem danych są te nieustrukturyzowane teksty medyczne, czyli notatki tworzone przez personel medyczny. Zaliczają się do nich raporty radiologiczne, opisy wizyt, czy dokumentacja przygotowana przez pracowników socjalnych. To właśnie te teksty często zawierają szczegółowe informacje o urazach, okolicznościach wizyty lub stanie psychicznym pacjentki.

Ten rodzaj danych jest analizowany za pomocą modeli językowych opartych na architekturze transformer (mechanizm self-attention pozwala modelowi analizować wszystkie słowa w tekście i uczyć się relacji między nimi), które przekształcają tekst w zestaw wartości liczbowych (wektor reprezentacji).

Autorzy badania opracowali trzy wersje modelu predykcyjnego: pierwszą wykorzystującą wyłącznie dane strukturalne, drugą opartą jedynie na analizie tekstów klinicznych oraz najbardziej zaawansowany model multimodalny, który łączy oba typy danych w jednym systemie.

Jak nietrudno się domyślić, to właśnie ten ostatni osiągnął najlepsze wyniki. Skuteczność systemu oceniono przy użyciu wskaźnika AUC, mierzącego zdolność do prawidłowego rozróżniania przypadków ryzyka. Jego wartość wyniosła około 0,88, co oznacza, że jeśli losowo wybierzemy jedną osobę z grupy ryzyka i jedną spoza niej, model w około 88% przypadków poprawnie wskaże, która z nich jest bardziej narażona na przemoc.

Predykcja przemocy: krok w stronę skutecznej profilaktyki

Wyniki badania można uznać za obiecujące ze względu na skalę analizowanej próby, która obejmowała ponad 6 tysięcy kobiet. Choć liczba ta nie pozwala jeszcze na pełne uogólnienia, stanowi istotny krok naprzód w badaniach nad wykorzystaniem nowych technologii do przeciwdziałania przemocy domowej.

Szczególnie ważne jest to, że coraz częściej podejmowane są próby zastosowania narzędzi analitycznych i sztucznej inteligencji w obszarach, które przez lata pozostawały niedostatecznie rozpoznane i trudne do monitorowania.

Rozległy czas prowadzonego badania doprowadził do jednego z najciekawszych wniosków: model potrafił wykryć sygnały podwyższonego ryzyka nawet trzy lata przed momentem, w którym pacjentki oficjalnie zgłaszały przemoc. Oznacza to znacznie krótsze cierpienie i możliwość szybszego rozpoczęcie procesu wychodzenia z traumatycznych doświadczeń.

Jednocześnie należy pamiętać, że nawet w sytuacji wykrycia sygnałów ryzyka decyzja o ujawnieniu przemocy pozostaje po stronie pacjentki.

Warto również podkreślić, że rola takiego systemu nie polega na zastępowaniu lekarzy w podejmowaniu decyzji, lecz na wspieraniu ich w identyfikowaniu zagrożonych pacjentek bez uszczerbku dla efektywności szpitala. Jeśli model wskaże podwyższone ryzyko przemocy, lekarz ma podstawy do przeprowadzienia bardziej wnikliwej rozmowy.

Należy także pamiętać o ograniczeniach badania. Analiza została przeprowadzona w kontekście amerykańskiego systemu opieki zdrowotnej. Nie jest jasne, jak podobne rozwiązanie sprawdziłoby się na przykład w Polsce, gdzie struktura służby zdrowia i dostępność danych są inne.

Badanie koncentrowało się wyłącznie na kobietach. Należy podkreślić, że przemoc domowa nie jest problemem ograniczonym do jednej płci, a jej ofiarami stają się również mężczyźni, których doświadczane nadużycia pozostają jeszcze rzadziej zgłaszane i rozpoznawane.

Jednocześnie dane jasno wskazują, że kobiety są znacznie częściej narażone na przemoc ze strony partnera, a także częściej doświadczają jej w formach prowadzących do poważnych konsekwencji zdrowotnych. Z tego względu to właśnie kobiety stały się główną grupą analizowaną w badaniu, co nie oznacza, że podobne rozwiązania technologiczne nie mogłyby w przyszłości zostać rozszerzone również na inne grupy.

System można uznać za wielki krok w kierunku bardziej odpowiedzialnego i społecznie użytecznego wykorzystania sztucznej inteligencji. Jeśli podobne systemy pozwolą przerwać cykl przemocy choć części osób, są warte dalszego rozwoju.

Nawet jeśli narzędzia tego typu nie są w stanie wykryć wszystkich przypadków przemocy, mogą stanowić ważne wsparcie dla lekarzy i innych specjalistów. W dłuższej perspektywie rozwój takich rozwiązań może przyczynić się do budowania bardziej wrażliwego i skutecznego systemu reagowania na tego typu sytuacje.