CLINPREAI: AN AGENTIC AI SYSTEM FOR EARLY POSTPARTUM DEPRESSION RISK PREDICTION FROM MULTIMODAL EHR DATA

Le système d'IA agentique ClinPreAI, conçu pour prédire le risque de dépression postpartum à partir de données multimodales des dossiers médicaux électroniques, démontre des performances supérieures aux solutions d'AutoML traditionnelles et aux modèles commerciaux, facilitant ainsi le développement de modèles prédictifs cliniques robustes sans nécessiter d'expertise en apprentissage automatique.

L'essentiel

🤖 ClinPreAI : Le "Super-Détective" qui aide à prévenir la dépression post-partum

Imaginez que la dépression post-partum (la tristesse intense qui peut toucher les mères après l'accouchement) est comme une tempête qui arrive soudainement. Aujourd'hui, environ 1 mère sur 10 à 15 est touchée. Le problème ? Il est très difficile de voir la tempête arriver avant qu'elle ne frappe.

Les médecins utilisent souvent un questionnaire (le test EPDS) pour vérifier si une mère va bien, mais cela se fait souvent après l'accouchement, ou alors les médecins manquent de temps pour analyser tous les détails.

C'est là qu'intervient ClinPreAI.

1. Qu'est-ce que ClinPreAI ?

Au lieu d'être un simple logiciel qui suit des règles rigides, ClinPreAI est un système d'intelligence artificielle "agentique".

• L'analogie : Imaginez un détective privé très intelligent, nommé Alex.
  • Un logiciel classique, c'est comme un robot qui suit un manuel : "Si le patient a le code X, alors il est malade".
  • ClinPreAI (Alex), lui, est un détective autonome. Il reçoit un dossier médical, lit les notes, réfléchit, essaie différentes méthodes pour trouver la solution, se trompe, corrige ses erreurs tout seul, et finit par construire le meilleur outil de prédiction possible sans qu'un humain ait besoin de lui dire comment faire à chaque étape.

2. Comment fonctionne ce détective ?

Le système a été entraîné sur les dossiers de plus de 4 000 femmes enceintes hospitalisées pour des complications avant l'accouchement. Il a deux sources d'informations principales :

1. Les données structurées (Les faits bruts) : C'est comme la fiche d'identité de la patiente (âge, assurance, diabète, hypertension).
2. Les notes des travailleurs sociaux (L'histoire humaine) : C'est la partie la plus importante. Les travailleurs sociaux écrivent des notes sur la vie de la femme : "Elle n'a pas de logement stable", "Elle a peur de la violence conjugale", "Elle est très isolée". Ces détails sont souvent cachés dans des paragraphes de texte et manquent dans les cases à cocher classiques.

L'astuce de ClinPreAI : Il lit ces notes comme un humain, comprend le contexte, et les combine avec les données médicales pour deviner si la mère risque de développer une dépression sévère dans les 6 mois suivant l'accouchement.

3. Les résultats : Qui gagne ?

Les chercheurs ont mis ClinPreAI en compétition avec d'autres méthodes :

• Les logiciels commerciaux classiques : Ils ont souvent échoué ou donné des résultats moyens (comme un élève qui a oublié ses révisions).
• Les intelligences artificielles "grand public" (comme les chatbots) : Elles ont essayé de répondre sans être spécialisées, mais elles se sont trompées souvent.
• ClinPreAI : Il a gagné la course ! Il a réussi à prédire le risque avec une précision bien supérieure aux autres, en particulier grâce à sa capacité à comprendre les notes des travailleurs sociaux.

4. La grande révélation (et le petit bémol)

Le détective a découvert quelque chose d'important : l'histoire mentale passée est le facteur le plus prédictif.

• Si une femme a déjà eu de l'anxiété ou de la dépression, le système le sait très bien et la classe comme "à risque".
• Le problème : Si une femme n'a jamais eu de problèmes de santé mentale avant, il est beaucoup plus difficile pour le système de prédire si elle va en développer un soudainement. C'est comme essayer de prédire une tempête dans un ciel qui a toujours été bleu : c'est très difficile, même pour un super-détective.

Cela signifie que ClinPreAI est excellent pour aider les femmes déjà connues comme vulnérables, mais il ne peut pas encore tout voir, surtout pour les nouvelles mères sans historique.

5. Pourquoi est-ce une révolution ?

Avant, pour créer un outil médical aussi complexe, il fallait une équipe de mathématiciens et d'informaticiens qui passaient des mois à coder.

• Avec ClinPreAI : Un médecin ou un expert du domaine (qui ne sait pas coder) peut dire à l'IA : "Voici nos données, trouve-moi le meilleur moyen de prédire ce risque". L'IA fait tout le travail technique, teste des milliers de combinaisons, et livre un outil prêt à l'emploi.

C'est comme si vous pouviez demander à un chef cuisinier robot de créer le meilleur plat du monde à partir de vos ingrédients, sans que vous ayez besoin de savoir cuisiner vous-même.

En résumé

ClinPreAI est un assistant intelligent qui aide les médecins à repérer plus tôt les mamans qui risquent de souffrir de dépression après l'accouchement. Il lit aussi bien les chiffres que les histoires personnelles racontées dans les dossiers. Bien qu'il ne soit pas parfait (il a du mal avec les cas totalement nouveaux), il prouve que l'intelligence artificielle autonome peut rendre la médecine plus précise et plus humaine, en donnant aux médecins des outils puissants pour protéger la santé mentale des mères.

Résumé technique

1. Problématique

La dépression postpartum (DPP) affecte 10 à 15 % des femmes chaque année et constitue une cause majeure de mortalité maternelle aux États-Unis. Malgré son importance, le dépistage précoce et le traitement restent insuffisants : seulement environ 40 % des patients reçoivent un dépistage recommandé et 7 % un traitement adéquat. Les outils actuels, comme l'Échelle de Dépression Postnatale d'Édimbourg (EPDS), souffrent d'erreurs de notation et ne capturent pas toujours les facteurs de risque complexes.

Les défis majeurs identifiés sont :

• L'utilisation de données unimodales : La plupart des modèles existants se basent uniquement sur des variables structurées des dossiers médicaux électroniques (EHR), ignorant les notes cliniques non structurées (ex: notes des travailleurs sociaux) qui contiennent des informations cruciales sur les stress psychosociaux.
• Le manque d'adaptabilité : Les modèles publiés manquent souvent de mécanismes d'adaptation dynamique ou de boucles de rétroaction humaine.
• La barrière technique : Le développement de modèles prédictifs sophistiqués nécessite une expertise en apprentissage automatique (ML) que les experts cliniques ne possèdent pas toujours.

L'objectif de cette étude est de développer un système capable de prédire le risque de DPP à partir d'une seule hospitalisation antepartum (avant l'accouchement) en utilisant des données multimodales (structurées et textuelles) via une approche d'IA autonome.

2. Méthodologie

Données et Cohorte

• Source : Données rétrospectives de 4 161 patientes hospitalisées pour complications médicales ou obstétricales au Texas Children's Hospital entre 2012 et 2025.
• Variables :
  • 27 variables structurées : Démographie, antécédents obstétricaux, antécédents psychiatriques, antécédents médicaux et complications de la grossesse.
  • Données non structurées : Notes des travailleurs sociaux (présentes pour 45,7 % des patientes) contenant des informations sur l'instabilité du logement, la sécurité alimentaire, la violence conjugale, etc.
  • Annotation : Utilisation de l'Ontologie des Phénotypes Humains (HPO) pour extraire des termes standardisés des notes textuelles.
• Cible (Outcome) : Score EPDS ≥ 10 dans les 6 mois suivant l'accouchement (prévalence de 31,0 %), indiquant des symptômes dépressifs cliniquement significatifs.

Architecture du Système : ClinPreAI

Le cœur de l'étude est ClinPreAI, un système d'IA agentique (Agentic AI) conçu pour concevoir, implémenter et évaluer des solutions de ML de manière autonome. Il fonctionne via cinq modules spécialisés agissant en boucle itérative :

1. Module de Recherche : Analyse les données d'entrée et le domaine clinique.
2. Module de Planification : Conçoit une stratégie complète (ingénierie des caractéristiques, sélection de modèle, métriques).
3. Module de Codage : Génère le code d'exécution (environnement AWS SageMaker).
4. Module de Débogage : Identifie et corrige automatiquement les erreurs d'exécution.
5. Module d'Interprétation : Analyse les résultats, génère des rapports d'interprétabilité (SHAP, analyse des erreurs) et valide la pertinence clinique.

Stratégies de Modélisation et Comparaison

L'étude compare plusieurs approches sur cinq configurations de données (Structuré seul, Texte seul, Multimodal, Multimodal avec caractéristiques latentes v1 et v2) :

• ClinPreAI Agent : Le système autonome complet.
• ClinPreAI AutoML : Un pipeline ML automatisé non agentique (sans boucle de réflexion autonome).
• Solutions Commerciales : AWS Canvas (Modes Standard et Quick).
• Modèles Basés sur les LLM :
  • Zero-shot : Inférence directe avec Claude Opus/Sonnet.
  • Hybride (LLM-XGBoost) : Utilisation d'un LLM pour générer un score EPDS pseudo-quantitatif à partir du texte, intégré ensuite dans un classifieur XGBoost avec des données structurées.
• Baselines : Régression logistique, Random Forest, et heuristiques cliniques simples.

3. Résultats Clés

Performance Prédictive

• Données Structurées : ClinPreAI Agent a atteint un score F1 de 0,68 ± 0,03, surpassant l'AutoML traditionnel (0,64) et les solutions commerciales (0,54–0,55).
• Données Multimodales : ClinPreAI Agent a obtenu un F1 de 0,65 ± 0,04, égalant la performance de l'approche spécialisée LLM-XGBoost (0,65) et surpassant les modèles zero-shot (0,51–0,52).
• Limites des modèles Textuels seuls : Les modèles basés uniquement sur le texte (notes sociales) ont eu des performances médiocres (F1 ~0,53-0,56), suggérant que le texte seul ne suffit pas sans contexte structuré.
• Échec des modèles Zero-shot : Les LLM standards (Claude, Qwen) sans fine-tuning ni ingénierie de prompt complexe ont échoué à intégrer efficacement les données tabulaires et textuelles, souvent en raison de problèmes de sérialisation et de bruit.

Analyse des Caractéristiques et Ablation

• Dominance de l'Histoire Psychiatrique : L'analyse d'ablation a révélé que la performance du modèle dépendait massivement des antécédents de santé mentale (diagnostic d'anxiété/dépression et traitement pharmacologique).
  • Lorsque ces caractéristiques étaient supprimées, le F1 chutait à 0,56.
  • Lorsque les patients avec des antécédents psychiatriques étaient exclus de l'ensemble de données, la performance s'effondrait au niveau du hasard (F1 ~0,50), indiquant que les données EHR actuelles capturent principalement le risque de récidive et non le risque de DPP de novo.
• Clustering Unsupervised : Les analyses de clustering (PCA, UMAP, t-SNE) ont montré que les patients ne formaient pas de clusters discrets distincts, mais une distribution homogène, suggérant que la dichotomisation binaire (EPDS <10 vs ≥10) simplifie excessivement l'hétérogénéité du phénotype dépressif.

Analyse des Erreurs et Validation Clinique

• Biais Démographiques : L'analyse des erreurs a révélé des disparités, notamment une corrélation entre la race noire et les faux positifs (Type I).
• Validation par Experts : Une revue qualitative par des experts en santé mentale périnatale sur des cas mal classés a montré un accord de 75 % avec les prédictions du modèle. Les experts ont noté que, même lorsque le modèle se trompait par rapport au score EPDS, son raisonnement clinique (basé sur les notes) était souvent valide. Cela suggère que le modèle détecte correctement les risques cliniques, mais que le score EPDS (auto-déclaré) peut être influencé par des facteurs externes (stigmatisation, interventions préventives).

4. Contributions Principales

1. Première application d'IA agentique en santé périnatale : Démontre qu'un agent autonome peut concevoir et optimiser des modèles prédictifs cliniques complexes sans intervention humaine constante.
2. Cadre Multimodal Autonome : ClinPreAI réussit à intégrer efficacement des données structurées et non structurées (notes sociales), surpassant les plateformes AutoML commerciales qui peinent à gérer le texte clinique long.
3. Démocratisation de la Modélisation : Le système permet aux experts cliniques (sans formation en ML) de développer des outils prédictifs robustes grâce à l'automatisation du débogage et de l'ingénierie des caractéristiques.
4. Interprétabilité et Transparence : Le système fournit des analyses d'erreurs systématiques, des visualisations de frontières de décision et des traces de raisonnement explicites, essentielles pour le déploiement clinique.
5. Insight Clinique Majeur : Mise en évidence du fait que les données EHR actuelles sont insuffisantes pour prédire la DPP chez les patientes sans antécédents psychiatriques, soulignant un besoin de nouvelles sources de données pour la prévention primaire.

5. Signification et Perspectives

Cette étude marque un changement de paradigme dans la prédiction clinique, passant de cadres AutoML statiques à des systèmes autonomes capables d'itération et d'auto-correction.

• Impact Clinique : Bien que le modèle ne soit pas encore parfait pour la prévention primaire (en l'absence d'antécédents), il offre un outil puissant pour identifier les patientes à haut risque de récidive et pour synthétiser des informations cliniques dispersées dans les dossiers.
• Limites : La performance dépend fortement de la qualité et de la disponibilité des notes de santé mentale. Les modèles actuels peinent à prédire les cas "de novo". De plus, la variabilité des stratégies de planification de l'agent nécessite des améliorations architecturales (ex: RAG, protocoles de contexte) avant un déploiement clinique large.
• Futur : L'étude ouvre la voie à l'utilisation d'agents IA pour d'autres tâches de santé mentale et suggère que l'avenir de la prédiction clinique réside dans l'hybridation de l'expertise humaine, des données multimodales et de l'autonomie des agents IA.

En conclusion, ClinPreAI prouve la faisabilité et l'efficacité des agents IA autonomes pour le développement d'outils de décision clinique, tout en mettant en lumière les limites actuelles des données de santé pour la détection précoce de la dépression postpartum chez les patientes sans antécédents connus.