In recent years, psychiatric care has changed dramatically, moving from long-term institutionalization to community-based methods. However, a subset of patients continues to spend considerable time in hospitals, resulting in their underrepresentation in survival research. This pilot study, using survival analysis based on machine learning methods in a cohort of 50 deceased patients, explores survival outcomes among long-term psychiatric inpatients. The study's exploratory nature dictated the selection of deceased patients with many years of hospitalization to identify factors primarily associated with survival duration.

We used three models - Cox Proportional Hazards (Cox PH), Random Survival Forests (RSF), and Gradient Boosted Survival Trees (GBST) - to examine survival trends. Cox PH, a widely used semi-parametric approach, achieved a concordance index of 0.804 but experienced convergence problems due to multicollinearity and limited events. RSF, which captures complex and non-linear relationships without relying on the assumption of proportional hazards, exhibited consistent predictive ability with concordance indices ranging from 0.469 to 0.793 across different feature sets and subgroups. Although GBST had the lowest overall concordance index (0.403), it performed better in specific subgroups, demonstrating its usefulness in identifying dose-response relationships and time-dependent effects. Although Cox PH remained sensitive to the limitations of the dataset, sensitivity analyses confirmed the robustness of RSF and GBST in handling censored data. These results underscore the need to combine multiple survival models for a better understanding of the risk of death in long-term psychiatric inpatients. Using machine learning approaches, increasing the completeness of medical records, and expanding datasets can improve personalized care and more accurately predict survival. Future studies should investigate how digital medical records can address the problem of missing data and compare survival rates between institutionalized and community-cared psychiatric patients. Advanced analytical techniques and evolving approaches in psychiatric care allow for a more accurate and practical understanding of patient survival.

Τα τελευταία χρόνια, η ψυχιατρική περίθαλψη έχει αλλάξει δραματικά, από τη μακροχρόνια ιδρυματοποίηση σε μεθόδους που βασίζονται στην κοινότητα. Ωστόσο, ένα υποσύνολο ασθενών εξακολουθεί να περνά μεγάλο χρονικό διάστημα σε νοσοκομείο, με αποτέλεσμα να είναι υποεκπροσωπούμενοι στην έρευνα επιβίωσης. Η παρούσα πιλοτική μελέτη, χρησιμοποιώντας ανάλυση επιβίωσης βασισμένη σε μεθόδους μηχανικής μάθησης σε μια κοόρτη 50 νεκρών ασθενών, ερευνά τα αποτελέσματα επιβίωσης μεταξύ μακροχρόνιων ψυχιατρικών νοσηλευόμενων. Ο διερευνητικός χαρακτήρας της μελέτης επέβαλε την επιλογή νεκρών ασθενών με πολλά έτη νοσηλείας, προκειμένου να εντοπιστούν παράγοντες που σχετίζονται με τη διάρκεια επιβίωσης. Χρησιμοποιήσαμε τρία μοντέλα - Cox Proportional Hazards (Cox PH), Random Survival Forests (RSF) και Gradient Boosted Survival Trees (GBST) - για να εξετάσουμε τις τάσεις επιβίωσης. Το Cox PH, μια ευρέως χρησιμοποιούμενη ημιπαραμετρική προσέγγιση, πέτυχε δείκτη ομοφωνίας 0.804, αλλά παρουσίασε προβλήματα σύγκλισης λόγω πολυγραμμικότητας και περιορισμένου αριθμού γεγονότων. Το RSF, το οποίο καταγράφει περίπλοκες και μη γραμμικές σχέσεις χωρίς να βασίζεται στην υπόθεση των αναλογικών κινδύνων, εμφάνισε σταθερή προγνωστική ικανότητα με δείκτες ομοφωνίας που κυμαίνονταν από 0.469 έως 0.793 σε διαφορετικά σύνολα χαρακτηριστικών και υποομάδες. Παρά το γεγονός ότι το GBST είχε τον χαμηλότερο συνολικό δείκτη ομοφωνίας (0.403), παρουσίασε καλύτερη απόδοση σε ορισμένες υποομάδες, αποδεικνύοντας τη χρησιμότητά του στον εντοπισμό σχέσεων δόσης-απόκρισης και χρονικά εξαρτημένων επιδράσεων. Παρά το γεγονός ότι το Cox PH παρέμεινε ευαίσθητο στους περιορισμούς του συνόλου δεδομένων, οι δοκιμές ευαισθησίας επιβεβαίωσαν την ανθεκτικότητα των RSF και GBST στη διαχείριση λογοκριμένων δεδομένων. Αυτά τα αποτελέσματα υπογραμμίζουν την ανάγκη συνδυασμού πολλαπλών μοντέλων επιβίωσης για την καλύτερη κατανόηση του κινδύνου θανάτου σε μακροχρόνιους ψυχιατρικούς νοσηλευόμενους. Η χρήση προσεγγίσεων μηχανικής μάθησης, η αύξηση της πληρότητας των ιατρικών αρχείων και η επέκταση των συνόλων δεδομένων μπορούν να συμβάλουν στη βελτίωση της εξατομικευμένης φροντίδας και στην ακριβέστερη πρόβλεψη της επιβίωσης. Μελλοντικές μελέτες θα πρέπει να διερευνήσουν πώς τα ψηφιακά ιατρικά αρχεία μπορούν να αντιμετωπίσουν το πρόβλημα των ελλιπών δεδομένων και να συγκρίνουν τα ποσοστά επιβίωσης μεταξύ ιδρυματοποιημένων και κοινοτικά ωφελουμένων ψυχιατρικών ασθενών. Οι προχωρημένες αναλυτικές τεχνικές και οι εξελισσόμενες προσεγγίσεις στην ψυχιατρική περίθαλψη επιτρέπουν μια πιο ακριβή και πρακτική κατανόηση της επιβίωσης των ασθενών.