Building a prediction model for outcomes following treatment in UK NHS Talking Therapies services for depression and anxiety

Cette étude développe et valide en interne un modèle de prédiction multivarié utilisant des données cliniques et sociodémographiques pour identifier les patients susceptibles de connaître des résultats moins favorables après un traitement par les thérapies parlantes du NHS, afin de soutenir des décisions de soins plus personnalisées.

L'essentiel

🌟 Le Grand Défi : Prédire l'Avenir des Soins de Santé Mentale

Imaginez que le NHS Talking Therapies (le service de thérapie par la parole du Royaume-Uni) est une immense gare de train. Des milliers de personnes (30 999 dans cette étude) arrivent chaque jour avec des valises lourdes remplies de dépression et d'anxiété. Elles montent à bord d'un train spécial (la thérapie intensive) pour voyager vers un endroit plus lumineux : le rétablissement.

Le problème ? Le train ne fonctionne pas parfaitement pour tout le monde. Environ 50 % des passagers arrivent à destination, mais l'autre moitié reste bloquée en route ou ne se sent pas mieux.

L'objectif de cette étude était de créer une "boussole prédictive". Les chercheurs voulaient savoir, dès le moment où une personne monte dans le train, si elle a de grandes chances d'arriver à destination ou si elle risque de rester coincée. S'ils le savaient, ils pourraient ajuster le voyage pour aider ceux qui en ont le plus besoin.

🔍 Comment ont-ils construit cette boussole ?

Au lieu de deviner au hasard, les chercheurs ont utilisé une recette mathématique très précise (un modèle d'intelligence artificielle appelé "régression élastique").

1. Les Ingrédients (Les Données) : Ils ont analysé les dossiers de presque 31 000 adultes. Ils ont regardé tout ce qui pouvait influencer le voyage :

   • Le poids de la valise : La sévérité de la dépression ou de l'anxiété au départ.
   • La météo extérieure : Le chômage, la précarité, le fait de toucher des aides sociales, ou de ne pas parler anglais couramment.
   • La santé physique : Avoir d'autres maladies de longue durée ou prendre des médicaments.
   • L'identité : L'origine ethnique, le genre, l'orientation sexuelle.

2. Le Cuisinier (L'Algorithme) : Ils ont fait "cuire" ces ingrédients ensemble pour trouver quelles combinaisons prédisaient le mieux le succès ou l'échec du traitement.

3. Le Test de Goût (La Validation) : Avant de servir ce plat au public, ils l'ont testé des centaines de fois sur des échantillons différents (comme un chef qui goûte sa sauce à plusieurs reprises) pour s'assurer qu'il ne s'agissait pas d'une simple coïncidence.

📊 Ce que la boussole nous dit (Les Résultats)

La boussole s'est révélée plutôt fiable (elle a une précision moyenne à bonne). Voici les principaux "signaux" qu'elle a détectés :

• Le facteur "Valise trop lourde" : Plus les symptômes sont sévères au départ, plus il est difficile d'arriver à destination. C'est logique, comme essayer de courir avec un sac à dos rempli de pierres.
• Le facteur "Route bloquée" : Les personnes qui sont au chômage (surtout à cause d'une maladie), celles qui perçoivent des aides sociales, ou celles qui ont des handicaps ont plus de mal à guérir. Ce n'est pas de leur faute, mais c'est comme si leur train avait des rails cassés ou des obstacles sur la voie.
• Le facteur "Barrière de la langue" : Ne pas parler anglais couramment est un gros obstacle. C'est comme essayer de lire un manuel d'instructions dans une langue que l'on ne comprend pas bien.
• Le facteur "Identité" : Les minorités ethniques et les personnes LGBTQ+ ont souvent des résultats plus difficiles. Cela ne signifie pas qu'elles sont "moins guérissables", mais plutôt qu'elles font face à des obstacles invisibles (discrimination, manque de compréhension culturelle) qui rendent le voyage plus pénible.

💡 Pourquoi est-ce une bonne nouvelle ?

Imaginez que vous êtes le chef de gare (le thérapeute). Avant cette étude, vous deviez attendre de voir si le passager arrivait à destination pour savoir si le voyage avait été un succès.

Avec cette nouvelle boussole, vous pouvez dire dès l'arrivée : "Ah, je vois que votre valise est très lourde et que vous avez des obstacles sur la route. Le train standard risque de ne pas suffire."

Cela permet de :

1. Personnaliser le voyage : Proposer un accompagnement spécial, plus de temps, ou une aide pour l'emploi dès le début.
2. Éviter les déceptions : Si le modèle prédit un risque d'échec, le thérapeute peut être plus vigilant et ne pas perdre espoir trop vite.
3. Réparer les rails : Cela montre aux décideurs qu'il faut investir dans des services adaptés aux minorités et aux personnes en précarité pour que le train fonctionne pour tout le monde.

⚠️ Une petite mise en garde

Bien que cette boussole soit très utile, elle a été testée principalement dans le sud de Londres (une zone très diverse). Comme une carte géographique, elle est très précise pour cette région, mais il faudra vérifier qu'elle fonctionne aussi bien dans d'autres villes du Royaume-Uni avant de l'utiliser partout.

En résumé

Cette étude est comme la création d'un GPS intelligent pour la santé mentale. Elle ne dit pas que certaines personnes ne peuvent pas guérir, mais elle nous aide à comprendre pourquoi le chemin est plus difficile pour certaines, et surtout, elle nous donne les outils pour réparer la route et offrir un meilleur voyage à ceux qui en ont le plus besoin.

Résumé technique

1. Problématique et Contexte

Les troubles dépressifs et anxieux sont des conditions de santé mentale prévalentes au Royaume-Uni. Le programme NHS Talking Therapies (anciennement IAPT) est le plus grand fournisseur de thérapies basées sur des preuves, traitant plus d'un million de patients par an. Cependant, seulement environ 50 % des patients atteignent le seuil de rétablissement (recovery) et 60 % montrent une amélioration fiable des symptômes.

Les défis identifiés sont les suivants :

• Hétérogénéité des résultats : Les patients avec le même diagnostic répondent différemment aux traitements en raison de leurs caractéristiques uniques.
• Limites des études précédentes : La plupart des recherches se concentrent sur des associations au niveau du groupe plutôt que sur la prédiction au niveau individuel. De plus, de nombreuses études utilisent des échantillons peu diversifiés (majoritairement blancs), limitant la généralisabilité et l'équité des modèles.
• Manque de calibration : Peu de modèles antérieurs ont évalué la calibration (l'accord entre les risques prédits et les résultats observés), un critère essentiel pour une utilisation clinique sûre.

L'objectif de cette étude est de développer et de valider intérieurement des modèles de prédiction multivariés robustes utilisant des données de routine collectées auprès d'un échantillon ethniquement diversifié, afin de soutenir des décisions de traitement personnalisées et équitables.

2. Méthodologie

Échantillon et Données :

• Source : Données extraites via CRIS (Clinical Record Interactive Search) du NHS Trust South London and Maudsley (SLaM).
• Période : Janvier 2018 à août 2024.
• Population initiale : 155 945 patients.
• Critères d'inclusion : Adultes (≥18 ans), ayant reçu une thérapie à haute intensité (ex: TCC), ayant assisté à 3 à 21 séances, et disposant de scores de base et de fin de traitement complets.
• Échantillon final : 30 999 patients.
• Diversité : L'échantillon est majoritairement féminin (73 %), avec une médiane d'âge de 34 ans. Il est ethniquement diversifié : 57 % Blancs, 22 % Noirs/Caribéens/Africains, et 9 % Mixtes.

Variables Cibles (Sorties) :
Sept résultats binaires ont été modélisés séparément pour la dépression et l'anxiété, plus un indicateur de fonctionnement :

1. Amélioration fiable (Reliable Improvement).
2. Rétablissement (Recovery).
3. Rétablissement fiable (Reliable Recovery).
4. Altération fonctionnelle à la fin du traitement (Functional Impairment, score WSAS ≥ 10).

• Mesures utilisées : PHQ-9 (dépression), GAD-7 (anxiété), WSAS (fonctionnement).

Prédicteurs :
Des données sociodémographiques (âge, genre, ethnicité, emploi, statut de bénéficiaire d'aides sociales, maîtrise de l'anglais, religion) et cliniques (sévérité des symptômes, comorbidités, médicaments psychotropes, diagnostic principal, handicap) ont été collectées à la ligne de base.

Développement du Modèle :

• Algorithme : Régression logistique Elastic Net (choisie pour son équilibre entre biais et variance, sa capacité à réduire le surajustement et son interprétabilité).
• Prétraitement : Imputation des données manquantes par K-Plus Proches Voisins (KNN, K=5).
• Validation : Validation interne par rééchantillonnage bootstrap imbriqué (200 itérations) pour corriger l'optimisme et éviter le surajustement.
• Évaluation : Métriques de discrimination (AUC, sensibilité, spécificité, score Brier) et de calibration (pente, intercept, courbes de calibration LOWESS).
• Analyse de sensibilité : Comparaison avec LASSO, Random Forest et Gradient Boosting, ainsi qu'une analyse excluant la période de la pandémie de COVID-19.

3. Résultats Clés

Performance des Modèles :
Les modèles Elastic Net ont démontré une performance modérée à bonne avec une excellente calibration.

• Discrimination (AUC) :
  • Amélioration fiable (Dépression) : 0,76 (IC 95% : 0,75–0,76).
  • Amélioration fiable (Anxiété) : 0,75.
  • Altération fonctionnelle : 0,77 (le meilleur résultat).
  • Rétablissement fiable : Plus faible (Dépression : 0,63 ; Anxiété : 0,67), probablement dû à la complexité de prédire un double critère (seuil clinique + réduction mesurable).
• Calibration : Les pentes de calibration étaient proches de 1,00 et les intercepts proches de 0, indiquant un alignement fort entre les probabilités prédites et les résultats observés.
• Stabilité : Les modèles ont montré une bonne stabilité des prédictions et de la calibration à travers les itérations bootstrap.

Prédicteurs Influent (Importance des variables) :
Les facteurs les plus importants pour prédire les résultats (classés par coefficient absolu moyen) incluent :

1. Chômage dû à la maladie ou au handicap (prédicteur le plus fort pour dépression et anxiété).
2. Sévérité des symptômes de base (scores PHQ-9 et GAD-7).
3. Statut de bénéficiaire d'aides sociales (Benefits).
4. Incapacité à parler anglais.
5. Présence d'un handicap ou d'une condition à long terme.
6. Utilisation de médicaments psychotropes.
7. Facteurs démographiques : Ethnicité (minorités), religion (musulman), orientation sexuelle (en questionnement).
8. Altération fonctionnelle de base (WSAS) pour la prédiction de l'altération fonctionnelle finale.

Comparaison avec d'autres modèles :

• Les modèles Random Forest avaient une meilleure discrimination mais une calibration médiocre.
• Les modèles LASSO avaient des performances similaires mais une calibration légèrement inférieure.
• Le modèle Elastic Net a été retenu pour son équilibre optimal entre précision, calibration et interprétabilité clinique.

4. Contributions et Signification

Contributions Techniques et Cliniques :

• Équité et Diversité : C'est l'un des premiers modèles à être développé sur un échantillon ethniquement diversifié (22 % de patients noirs), permettant d'évaluer la performance dans des populations souvent sous-représentées dans la littérature.
• Rigueur Méthodologique : L'application stricte des directives TRIPOD-AI et l'utilisation de la validation bootstrap imbriquée assurent que les performances rapportées ne sont pas surestimées par le surajustement.
• Approche par Sortie Spécifique : Contrairement aux études précédentes qui regroupaient les résultats, cette étude modélise séparément l'amélioration, le rétablissement et l'altération fonctionnelle, reconnaissant que les trajectoires de traitement peuvent différer selon la mesure.
• Identification des Inégalités Structurelles : Le fait que des facteurs comme l'ethnicité, la maîtrise de l'anglais et le statut d'emploi soient des prédicteurs majeurs met en lumière les barrières systémiques et sociales affectant l'accès et l'efficacité des soins, plutôt que des facteurs biologiques intrinsèques.

Implications pour la Pratique :

• Soins Stratifiés : Ces modèles peuvent identifier précocement les patients à risque de résultats médiocres, permettant aux cliniciens d'ajuster le plan de traitement (ex: intensification du suivi, interventions ciblées sur l'emploi, thérapies culturellement adaptées).
• Allocation des Ressources : Aide les organisations de santé à diriger les ressources vers les patients ayant le plus besoin de soutien supplémentaire.
• Réduction des Biais Cliniques : Les modèles peuvent aider à corriger l'optimisme excessif des thérapeutes concernant les pronostics des patients.

Limites et Perspectives :

• Validation Externe : Bien que la validation interne soit robuste, une validation externe sur d'autres trusts NHS (en dehors de Londres) est nécessaire pour confirmer la généralisabilité.
• Représentativité : L'échantillon provient d'une seule région (South London) très diversifiée, ce qui peut différer du reste de l'Angleterre.
• Implémentation : Des recherches futures sont nécessaires pour tester l'impact clinique réel de ces outils dans des essais randomisés et pour définir comment intégrer ces prédictions dans le flux de travail clinique sans alourdir la charge des soignants.

En conclusion, cette étude fournit une base solide pour le développement d'outils de prédiction équitables et précis dans les services de santé mentale du NHS, visant à passer d'une approche "taille unique" à des soins personnalisés et stratifiés.