Age-Dependent Heterogeneity in the Association Between Physical Activity and Mental Distress: A Causal Machine Learning Analysis of 3.2 Million U.S. Adults

Résumé Technique : Hétérogénéité liée à l'âge entre l'activité physique et la détresse mentale

1. Problématique et Contexte

La santé mentale constitue un défi majeur de santé publique aux États-Unis, avec une prévalence croissante de la détresse mentale fréquente (FMD), définie comme un état de santé mentale médiocre durant au moins 14 jours sur les 30 derniers jours. Bien que l'activité physique (AP) soit largement reconnue comme un facteur protecteur, l'hypothèse selon laquelle cet effet bénéfique est uniforme à travers toutes les sous-populations est remise en question.

L'étude vise à combler un vide dans la littérature en examinant si l'association entre l'AP et la FMD varie systématiquement selon l'âge. Contrairement à l'étude de référence de Chekroud et al. (2018) qui concluait à une efficacité constante, cette recherche postule que l'effet protecteur de l'AP pourrait être hétérogène, particulièrement affaibli chez les jeunes adultes, une période coïncidant avec une crise de santé mentale juvénile sans précédent.

2. Méthodologie

Données :

• Source : Données regroupées (pooled) de dix vagues annuelles consécutives du Behavioral Risk Factor Surveillance System (BRFSS) de 2015 à 2024.
• Échantillon : 3 242 218 adultes américains (≥18 ans) après application des critères d'inclusion et gestion des valeurs manquantes.
• Variables :
  • Résultat (Y) : FMD (≥14 jours/mois).
  • Exposition (T) : Activité physique de loisir (binaire : actif vs inactif).
  • Covariables : Sexe, groupe d'âge, race/ethnie, éducation, revenu, IMC, année de l'enquête.
  • Pondération : Utilisation de poids d'enquête pour assurer la représentativité de la population.

Approches Analytiques :
L'étude combine des méthodes statistiques traditionnelles et l'apprentissage automatique causal :

1. Régression Logistique Pondérée par l'Enquête :

   • Modélisation de la probabilité de la FMD avec ajustement sur les covariables.
   • Tests d'interaction (PA × Âge) et modèles stratifiés par groupe d'âge pour estimer les Odds Ratios (OR) ajustés.

2. Forêt Causale via Double Apprentissage Automatique (Double Machine Learning - DML) :

   • Utilisation du cadre DML pour estimer l'Effet Moyen Conditionnel de Traitement (CATE) : $\tau(x) = E[Y(1) - Y(0) | X=x]$.
   • Implémentation : Bibliothèque EconML (classe CausalForestDML) avec des modèles de nuisance à gradient boosté (HistGradientBoosting) et 500 arbres causaux.
   • Objectif : Identifier de manière non paramétrique et pilotée par les données les facteurs dominants de l'hétérogénéité de l'effet de traitement sans spécification préalable de sous-groupes.

3. Analyses de Robustesse et Sensibilité :

   • Validation Temporelle : Analyse année par année pour détecter l'évolution des effets.
   • E-values : Pour quantifier la force d'un confondant non mesuré nécessaire pour annuler l'association observée.
   • Tests de Placebo : Vérification de l'absence d'effet causal de l'AP sur le sexe (covariable pré-déterminée).
   • Imputation : Comparaison entre l'échantillon complet et les données avec imputation des revenus manquants.

3. Résultats Clés

A. Gradient d'Âge Prononcé (Régression Logistique)
L'analyse révèle un gradient d'âge monotone et frappant dans l'effet protecteur de l'AP :

• Jeunes adultes (18-24 ans) : L'association est faible, avec un OR ajusté de 0,89 (réduction de 11 % des risques).
• Adultes de 55-64 ans : L'association est forte, avec un OR ajusté de 0,50 (réduction de 50 % des risques).
• L'effet protecteur s'intensifie régulièrement avec l'âge jusqu'à stabilisation après 55 ans.

B. Érosion Temporelle chez les Jeunes
L'analyse longitudinale (2015-2024) montre que l'effet protecteur chez les 18-24 ans s'est dégradé au cours de la décennie :

• L'OR pour ce groupe a atteint la nullité (1,01) en 2018 et 2024.
• Cette tendance parallèle à l'aggravation de la crise de santé mentale des jeunes suggère que les facteurs de stress spécifiques à cette génération (réseaux sociaux, précarité économique) surpassent les bénéfices de l'AP.

C. Validation par l'Apprentissage Automatique Causal

• La forêt causale a confirmé que l'âge est le moteur dominant de l'hétérogénéité de l'effet de traitement.
• Importance de la fonctionnalité : L'âge obtient un score d'importance de 0,39, soit 2,5 fois plus élevé que le deuxième prédicteur (l'année) et plus de 4 fois plus que le sexe.
• Cette découverte, faite sans hypothèse préétablie, corrobore indépendamment les résultats de la régression logistique.

D. Robustesse

• Les analyses de sensibilité (E-values, chevauchement des scores de propension, tests de placebo) confirment la solidité des résultats.
• L'absence de gradient d'âge monotone dans le test de placebo (effet de l'AP sur le sexe) écarte l'hypothèse d'un artefact méthodologique systématique.

4. Contributions Principales

1. Mise à jour à grande échelle : Première analyse systématique stratifiée par âge utilisant 3,2 millions d'observations sur une décennie, révélant que l'effet "uniforme" rapporté précédemment est en réalité fortement modéré par l'âge.
2. Découverte Temporelle : Documentation d'une érosion de l'efficacité de l'AP pour les jeunes adultes, atteignant un point nul en 2024, ce qui remet en question l'efficacité des interventions basées uniquement sur l'exercice pour cette tranche d'âge.
3. Innovation Méthodologique : Application réussie de la forêt causale via le DML dans l'épidémiologie observationnelle pour identifier des effets hétérogènes de manière pilotée par les données, validant ainsi les résultats paramétriques traditionnels.

5. Signification et Implications

• Limites des recommandations générales : Les recommandations de santé publique suggérant l'AP comme intervention universelle pour la santé mentale pourraient être inefficaces, voire inadéquates, pour les jeunes adultes (18-24 ans).
• Nature des facteurs de stress : Les résultats suggèrent que la détresse des jeunes adultes est de plus en plus pilotée par des facteurs cognitifs et sociaux (comparaison sociale, anxiété numérique) que l'activité physique seule ne peut atténuer.
• Politique de santé : Il est nécessaire de développer des stratégies de santé mentale ciblées par âge, combinant potentiellement l'activité physique à des interventions ciblant spécifiquement les stress socio-cognitifs chez les jeunes.
• Causalité : Bien que l'étude utilise des méthodes causales avancées, la nature transversale des données BRFSS limite l'inférence causale stricte ; les résultats doivent être interprétés comme des associations conditionnelles robustes.

En conclusion, cette étude démontre que le lien entre l'activité physique et la santé mentale n'est pas universel mais profondément dépendant de l'âge, avec une efficacité décroissante chez les jeunes générations face à une crise de santé mentale en évolution rapide.