Poszukiwanie biomarkerów samobójstwa - przegląd dziesięcioletnich badań naukowych

Dlaczego poszukiwanie biomarkerów samobójstwa jest tak pilne

Według danych Światowej Organizacji Zdrowia co roku na świecie odbiera sobie życie ponad 700 000 osób, a na każde samobójstwo dokonane przypada wielokrotnie więcej prób samobójczych. W Polsce dane Komendy Głównej Policji wskazują, że problem ten nie traci na sile, mimo rosnącej świadomości społecznej i rozwoju programów prewencji. Kluczowym ograniczeniem dotychczasowych strategii interwencji kryzysowej jest to, że opierają się one głównie na ocenie klinicznej, czyli rozpoznawaniu sygnałów ostrzegawczych i czynników ryzyka, takich jak depresja, schizofrenia, wcześniejsza próba samobójcza czy poczucie beznadziejności. Hawton i współpracownicy (2022) w swoim przełomowym artykule w The Lancet Psychiatry wprost postulowali przejście od prób predykcji samobójstwa do tzw. terapeutycznej oceny ryzyka, argumentując, że dotychczasowe narzędzia klasyfikacyjne mają zbyt niską swoistość, by kierować decyzjami klinicznymi. To ważne zastrzeżenie, ale nie oznacza rezygnacji z poszukiwań biologicznych wskaźników, a raczej konieczność integrowania ich z formułowaniem przypadku i planem leczenia.

Przegląd badań nad biologicznymi i cyfrowymi markerami zachowań samobójczych

Ostatnia dekada przyniosła kilka obiecujących, choć wciąż niedoskonałych, kierunków badawczych. W obszarze neurobiologii szczególną uwagę poświęcono osi podwzgórze-przysadka-nadnercza (HPA), mediatorom zapalnym (zwłaszcza IL-6 i TNF-alfa) oraz polimorfizmom genów związanych z układem serotoninergicznym. Badania kohortowe sugerują, że podwyższone stężenie białka C-reaktywnego i interleukiny-6 u pacjentów z zaburzeniami depresyjnymi koreluje z nasileniem myśli samobójczych, jednak wielkości efektu pozostają umiarkowane, a żaden pojedynczy marker nie osiąga progu klinicznej użyteczności.

Równolegle dynamicznie rozwija się nurt cyfrowych biomarkerów. Sweeney, Ennis i Mulvenna (2024) przeprowadzili systematyczny przegląd badań wykorzystujących przetwarzanie języka naturalnego (NLP) do analizy treści tekstowych, w tym wpisów w mediach społecznościowych i notatek klinicznych, w kontekście zdrowia psychicznego i prewencji samobójstw. Ich wnioski są ostrożnie optymistyczne: algorytmy uczenia maszynowego potrafią z rozsądną czułością identyfikować osoby wyrażające myśli samobójcze w środowisku cyfrowym, choć ekstrapolacja tych wyników na populację kliniczną wymaga dalszej walidacji. Podobne podejście omówiono w przeglądzie systematycznym dotyczącym predykcji myśli samobójczych za pomocą NLP, który ukazał się na naszym portalu.

Osobnym, ale klinicznie istotnym wątkiem jest kwestia specyficznych populacji. Smith (2024) zwrócił uwagę na alarmujące wskaźniki samobójstw wśród studentów, podkreślając, że standardowe narzędzia przesiewowe stosowane na uczelniach są niewystarczające, a integracja danych psychologicznych z danymi behawioralnymi (np. wzorcami aktywności cyfrowej) mogłaby istotnie poprawić wczesne rozpoznawanie kryzysu suicydalnego. Z kolei Slade i współpracownicy (2025) w obszernym przeglądzie dotyczącym zdrowia psychicznego mężczyzn w Australii podkreślili, że bariery w korzystaniu z pomocy psychiatrycznej przez mężczyzn sprawiają, iż klasyczne czynniki ryzyka samobójstwa (depresja, uzależnienie, izolacja społeczna) pozostają w tej grupie nierozpoznane aż do momentu próby samobójczej lub zgonu.

Reifels, Krysinska i Andriessen (2024) w systematycznym przeglądzie poświęconym prewencji samobójstw podczas katastrof i kryzysów zdrowia publicznego wykazali, że sytuacje kryzysowe nasilają zachowania samobójcze, przy czym dotychczasowe interwencje skupiają się na wsparciu psychologicznym post hoc, a nie na monitoringu biomarkerów stresu w czasie rzeczywistym. To luka, którą przyszłe badania mogłyby wypełnić, choć wymaga to zarówno infrastruktury technologicznej, jak i rozwiązania problemów etycznych.