Ensemble Feature Selection and Harris Hawks Optimization for Explainable Mental Health Risk Prediction in Female Sex Workers

Résumé Technique : Sélection de Caractéristiques par Ensemble et Optimisation par Harris Hawks pour la Prédiction Explicable du Risque de Santé Mentale chez les Travailleuses du Sexe

Énoncé du Problème
Les travailleuses du sexe (TS) font face à un fardeau disproportionné de troubles de la santé mentale, particulièrement la dépression et le trouble de stress post-traumatique (TSPT), alimentés par la violence structurelle, la stigmatisation, l'instabilité économique et les risques professionnels. Bien que l'apprentissage automatique (ML) offre un potentiel pour modéliser ces résultats complexes, les approches existantes peinent souvent face à des ensembles de données de grande dimension, non linéaires et déséquilibrés. Les méthodes statistiques traditionnelles et les classifieurs simplistes échouent fréquemment à capturer les interactions complexes entre l'exposition à la violence, les variables socio-économiques et les indicateurs de santé. De plus, l'absence d'une sélection de caractéristiques intégrée, d'une optimisation sophistiquée et d'une IA explicable (XAI) limite la précision, la stabilité et l'interprétabilité clinique des modèles actuels, entravant l'intervention précoce et les soins psychosociaux ciblés.

Méthodologie
L'étude propose un cadre prédictif hybride conçu pour améliorer à la fois la performance et l'interprétabilité de la prédiction de la dépression chez les TS. La méthodologie suit un pipeline structuré :

1. Collecte et Prétraitement des Données : Le modèle utilise un ensemble de données transversales communautaires comprenant 3 005 travailleuses du sexe adultes issues de neuf provinces d'Afrique du Sud. Les données brutes comprenaient 20 colonnes ; après le traitement des valeurs manquantes (imputation par la moyenne pour les données numériques, suppression pour les données catégorielles) et l'encodage, l'ensemble de données final comprenait 2 911 observations et 19 caractéristiques. La variable cible était binaire (dépression : oui/non).
2. Sélection de Caractéristiques par Ensemble Hybride : Pour identifier les prédicteurs les plus significatifs, les auteurs ont employé une stratégie d'ensemble combinant l'Analyse de la Variance (ANOVA) et l'Information Mutuelle (MI). Cette approche a classé les caractéristiques par importance, filtrant les variables les moins significatives pour créer un ensemble optimisé de 11 caractéristiques. Les principaux moteurs identifiés incluaient les résultats du TSPT, la localisation, le potentiel de gain par client et diverses formes d'abus (client, partenaire intime, police).
3. Développement et Optimisation du Modèle : Plusieurs classifieurs ont été évalués, notamment la Forêt Aléatoire (RFC), les k-plus proches voisins (kNN), le Classifieur à Vecteurs de Support (SVC), le Light Gradient Boosting Machine (LGBM), les Réseaux de Neurones Artificiels (ANN) et la Régression Logistique (LR). Parmi ceux-ci, la Régression Logistique a été sélectionnée comme modèle de base. Ses hyperparamètres ont été optimisés à l'aide de l'Optimisation par Harris Hawks (HHO), un algorithme d'intelligence en essaim. La configuration de l'HHO comprenait une taille de population de 30, 50 itérations maximales et un paramètre d'énergie d'échappement ($E_0$) de 2, conçu pour rechercher efficacement dans l'espace des paramètres et gérer le déséquilibre des classes.
4. IA Explicable (XAI) : Pour garantir l'applicabilité clinique, l'étude a intégré LIME (Local Interpretable Model-agnostic Explanations). LIME a été utilisé pour générer des explications au niveau de l'instance, clarifiant comment des caractéristiques spécifiques (par exemple, l'historique des traumatismes, les facteurs professionnels) ont contribué aux prédictions individuelles, comblant ainsi le fossé entre les modèles « boîte noire » et la confiance clinique.

Principales Contributions

• Architecture Hybride Novatrice : Le papier introduit un cadre unifié combinant la sélection de caractéristiques par ensemble (ANOVA + MI) avec une Régression Logistique optimisée par HHO, spécifiquement appliquée à la prédiction de la santé mentale dans les populations marginalisées.
• Application de l'Intelligence en Essaim : Ce travail représente la première application de l'Optimisation par Harris Hawks pour ajuster un modèle de Régression Logistique pour la prédiction de la santé mentale chez les TS, démontant une performance supérieure aux modèles de référence.
• Interprétabilité Accrue : En intégrant LIME, l'étude fournit des informations transparentes au niveau de l'instance, identifiant les variables traumatiques et professionnelles spécifiques qui pilotent le risque de dépression, facilitant ainsi des interventions fondées sur des preuves.
• Identification Robuste des Caractéristiques : La méthode de sélection par ensemble a réussi à isoler les caractéristiques à haut impact, réduisant la dimensionnalité tout en conservant les indicateurs de risque critiques tels que la violence liée aux clients et l'historique du TSPT.

Résultats
Le modèle de Régression Logistique optimisé par HHO, utilisant les caractéristiques sélectionnées par l'ensemble, a atteint des performances de pointe sur l'ensemble de test :

• Précision (Accuracy) : 95,78 %
• F1-Score : 95,77 %
• AUC : 0,96
• Précision (Precision) : 95,60 %
• Rappel (Recall) : 95,95 %

Ces mesures ont surpassé tous les modèles de référence (incluant la LR standard, l'ANN et le LGBM) ainsi que d'autres stratégies d'optimisation (telles que la recherche par grille/Grid Search). Spécifiquement, l'approche basée sur l'HHO a amélioré le rappel de 1,20 % et le F1-score de 1,22 % par rapport à la LR par recherche par grille, ce qui se traduit par environ 36 détections de dépression supplémentaires dans la cohorte.

L'analyse LIME a confirmé la stabilité de la logique du modèle, montrant que les résultats du TSPT et les abus de clients étaient les prédicteurs dominants dans 94,3 % et 87,1 % des cas, respectivement. Les classements d'importance des caractéristiques issus de LIME sont fortement corrélés aux classements globaux ANOVA+MI (Spearman $\rho = 0,91$), validant la cohérence du modèle.

Signification et Revendications
Les auteurs affirment que ce travail comble le fossé entre les approches statistiques conventionnelles et l'apprentissage automatique avancé pour créer un outil capable de détection précoce et de soutien ciblé pour les groupes vulnérables. La haute précision et l'interprétabilité du modèle le rendent apte à être intégré dans les systèmes de santé existants (par exemple, les systèmes basés sur REDCap) pour aider les agents de santé communautaire (ASC) dans la conduite des dépistages de risques et des orientations.

L'étude souligne que bien que le modèle démontre une haute validité interne par validation croisée, sa généralisabilité externe à d'autres régions géographiques reste à tester. Les auteurs positionnent ce cadre comme une solution légère, capable de fonctionner en temps réel sans support cloud, ce qui le rend viable dans les contextes à faibles ressources. Des travaux futurs sont proposés pour inclure une validation par méthodes mixtes, une évaluation respectueuse de l'équité et une expansion vers des cohortes en Afrique de l'Est et en Asie du Sud afin de traiter les biais géographiques.