Identification of Suicide-Related Subgroups Using Latent Class Analysis: Complementary Insights to Explainable AI-Based Classification

Cette étude démontre que l'analyse des classes latentes appliquée à des données de blessures par auto-intoxication au Sri Lanka identifie des sous-groupes distincts avec des prévalences de suicide très variables, offrant ainsi des perspectives complémentaires et contextuelles aux modèles de classification par intelligence artificielle explicable.

L'essentiel

🧩 Le Grand Puzzle du Suicide : Deux Façons de Regarder la Même Image

Imaginez que le suicide et l'automutilation sont comme un énorme puzzle composé de 1 000 pièces. Chaque pièce représente une personne avec son histoire, ses problèmes et ses émotions.

Le problème, c'est que ce puzzle est très complexe. Les experts savent que toutes les pièces ne sont pas identiques : certaines sont rouges, d'autres bleues, certaines ont des bords pointus, d'autres sont lisses. Mais comment les trier ?

Cette étude utilise deux méthodes différentes pour essayer de comprendre ce puzzle, et elle compare ces deux approches pour voir si elles se complètent.

---

1. La Méthode "Intelligence Artificielle" (Le Détective Individuel)

Dans une étude précédente, les chercheurs ont utilisé une Intelligence Artificielle (IA) très intelligente. Imaginez cette IA comme un détective privé qui examine chaque personne individuellement.

• Son travail : Elle regarde une personne et dit : "Avec ces symptômes (colère, insomnie, chômage), il y a 90 % de chances que cette personne soit en danger."
• Son point fort : Elle est très précise pour prédire le risque individuel.
• Son point faible : Elle voit les détails, mais elle ne voit pas toujours la "grande image". Elle ne nous dit pas pourquoi certains groupes de personnes ressemblent à des frères et sœurs, tandis que d'autres sont totalement différents.

2. La Méthode "Analyse des Classes Latentes" (Le Trieur de Groupes)

C'est là que cette nouvelle étude intervient. Les chercheurs ont utilisé une méthode appelée Analyse des Classes Latentes (LCA). Imaginez cela comme un grand trieur de pièces de puzzle ou un chef d'orchestre.

Au lieu de regarder une personne par une, le trieur regarde tout le monde en même temps et dit : "Attendez, ces gens-là ont tous les mêmes problèmes, mettons-les dans le même groupe. Et ceux-ci ont un tout autre profil, mettons-les ailleurs."

Grâce à cette méthode, ils ont découvert que les 1 000 personnes ne formaient pas un seul gros bloc, mais 4 groupes distincts (comme 4 équipes différentes dans un tournoi) :

🟢 Les Deux Groupes "Calmes" (Faible risque)

• Le Groupe 1 : C'est le groupe le plus "stable". Beaucoup de femmes, beaucoup d'employés, peu de problèmes émotionnels. C'est comme un groupe de gens qui ont une vie bien rangée. Le risque de suicide est quasi nul ici.
• Le Groupe 3 : Un groupe plus âgé, avec des douleurs physiques (comme des maux de dos chroniques), mais qui ne se sent pas triste ou isolé. Ils ont aussi un très faible risque.
  • Leçon : Avoir des problèmes physiques ne signifie pas automatiquement être en danger de suicide. Le contexte social et émotionnel compte énormément.

🔴 Les Deux Groupes "En Danger" (Haut risque)

Voici la grande découverte ! Même si ces deux groupes ont un taux de suicide très élevé (plus de 90 %), ils sont totalement différents l'un de l'autre :

• Le Groupe 2 (Le "Silencieux") : Ce sont des gens qui souffrent énormément (colère, tristesse, isolement, insomnie), mais qui n'ont jamais été hospitalisés pour des problèmes psychiatriques. Ils sont souvent au chômage et ne demandent pas d'aide. C'est comme un volcan qui couve sous terre sans que personne ne le voie.
• Le Groupe 4 (Le "Visibilisé") : Ce sont des gens qui ont déjà été hospitalisés, qui ont des diagnostics psychiatriques connus (dépression, bipolarité) et qui ont déjà tenté de se suicider. Ils sont "visibles" pour le système médical.

🤝 La Rencontre des Deux Méthodes : Pourquoi c'est génial ?

C'est ici que l'étude devient brillante. Les chercheurs ont comparé les résultats du "Détective IA" et du "Trieur de Groupes".

1. L'accord : Les deux méthodes s'accordent sur les grands facteurs de risque. Que ce soit l'IA ou le trieur, tout le monde est d'accord : la colère, la tristesse, l'isolement social et le chômage sont de très mauvais signes.
2. La révélation : L'IA avait dit que "l'hospitalisation psychiatrique" était un facteur très important. Et c'est vrai... mais seulement pour le Groupe 4.
   • Le Groupe 2 (le groupe silencieux) a un risque tout aussi élevé, mais il n'a jamais été hospitalisé.
   • Si on se fie uniquement à l'historique des hôpitaux (comme le ferait une IA simple), on risque de rater le Groupe 2, qui est pourtant en danger de mort.

💡 La Conclusion en une phrase

Cette étude nous dit que pour comprendre le suicide, il ne suffit pas de regarder les individus un par un avec une IA. Il faut aussi regarder les groupes.

C'est comme si on essayait de comprendre la météo. L'IA nous dit "Il va pleuvoir sur cette rue". L'analyse des groupes nous dit : "Ah, il y a deux types de pluie : une pluie fine qui tombe sur les toits (Groupe 4) et une tempête soudaine qui arrive dans les vallées sans qu'on s'y attende (Groupe 2)".

En résumé :

• L'Intelligence Artificielle est excellente pour prédire le risque chez une personne.
• L'Analyse des Groupes (LCA) est excellente pour comprendre les différents types de profils dans la population.
• En les mettant ensemble, on obtient une carte plus complète pour aider les gens qui en ont besoin, surtout ceux qui sont invisibles pour le système médical.

Résumé technique

Titre

Identification de sous-groupes liés au suicide par l'analyse des classes latentes : Apports complémentaires pour la classification basée sur l'IA explicable

1. Problématique

Le suicide et l'automutilation sont des phénomènes complexes caractérisés par une hétérogénéité clinique et psychosociale significative. Bien que les modèles d'apprentissage automatique (ML) et d'intelligence artificielle explicable (XAI) aient démontré leur efficacité pour prédire le risque de suicide au niveau individuel, ces approches supervisées se concentrent souvent sur des prédictions individuelles et peuvent ne pas capturer pleinement les structures de sous-groupes latents au niveau de la population. Il existe un manque de compréhension sur la manière dont la phénotypisation de population (via des méthodes non supervisées comme l'analyse des classes latentes) peut compléter les modèles de classification supervisée pour offrir une vue d'ensemble plus nuancée des profils de risque.

2. Méthodologie

L'étude a utilisé une analyse secondaire d'un ensemble de données public et anonymisé provenant de 1 000 individus (500 décédés par suicide, 500 non) admis au Colombo South Teaching Hospital à Sri Lanka.

• Approche statistique : Une Analyse des Classes Latentes (LCA) a été appliquée pour identifier des sous-groupes non observés basés sur des modèles partagés de variables sociodémographiques, psychosociales et cliniques.
• Prétraitement des données : Les variables ont été adaptées pour la LCA (ex: l'âge catégorisé, l'occupation dichotomisée). La variable de résultat (suicide : oui/non) n'a pas été utilisée pour l'assignation aux classes, mais a été analysée a posteriori pour caractériser les profils des classes.
• Sélection du modèle : Des modèles allant de 2 à 10 classes ont été estimés. Le modèle optimal a été sélectionné sur la base des critères d'ajustement (BIC, cAIC), du test du rapport de vraisemblance Lo–Mendell–Rubin (LMR-LRT) et de l'interprétabilité clinique. L'entropie a été utilisée pour évaluer la qualité de la classification.
• Analyse comparative : Les profils des classes identifiés ont été comparés de manière descriptive aux résultats d'une étude précédente utilisant le même jeu de données et un modèle de classification de suicide basé sur l'IA explicable (XAI) avec des valeurs de SHAP (Shapley Additive exPlanations) pour l'importance des caractéristiques.

3. Résultats Principaux

Identification de quatre classes latentes distinctes :
Le modèle à 4 classes a été retenu comme le meilleur ajustement (Entropie = 0,95). Les classes présentent des prévalences de suicide radicalement différentes :

• Classe 1 (n=357, 36%) : Prévalence de suicide très faible (0,6 %).
  • Profil : Femmes majoritaires, taux d'emploi élevé (95%), faible détresse émotionnelle, faible morbidité psychiatrique.
• Classe 2 (n=330, 33%) : Prévalence de suicide très élevée (91,2 %).
  • Profil : Forte détresse émotionnelle et sociale (colère, tristesse, isolement, troubles du sommeil), faible taux d'hospitalisation psychiatrique antérieure (11,3 %), majorité d'hommes.
• Classe 3 (n=115, 12%) : Prévalence de suicide très faible (0,9 %).
  • Profil : Population plus âgée, forte prévalence de conditions somatiques (douleur chronique), faible détresse psychosociale, diversité religieuse (majorité musulmane et hindoue), absence de bouddhistes.
• Classe 4 (n=198, 20%) : Prévalence de suicide extrêmement élevée (99,0 %).
  • Profil : 100 % d'hospitalisations psychiatriques antérieures, antécédents d'automutilation et de tentatives de suicide, diagnostics psychiatriques élevés (dépression, trouble bipolaire), faible taux d'emploi.

Comparaison avec l'IA Explicable (XAI) :

• Convergence : Les variables de détresse émotionnelle et sociale (colère, tristesse, isolement) identifiées comme les plus importantes par l'analyse SHAP dans l'étude précédente étaient systématiquement élevées dans les deux classes à haut risque (Classe 2 et 4).
• Nuance apportée par la LCA : L'hospitalisation psychiatrique, bien que forte dans le modèle SHAP, ne caractérise qu'une seule des classes à haut risque (Classe 4). La Classe 2, bien que présentant un risque de suicide similaire, a très peu d'hospitalisations antérieures. Cela démontre que l'hospitalisation n'est pas un prérequis universel pour un risque élevé, mais caractérise un sous-groupe spécifique.
• Facteurs sociodémographiques : La LCA a révélé des distinctions subtiles (religion, âge, genre) au sein des groupes à faible risque que les modèles de prédiction globale ne capturaient pas aussi finement.

4. Contributions Clés

1. Hétérogénéité des profils de risque : L'étude démontre que la population à risque de suicide n'est pas monolithique. Elle se divise en sous-groupes distincts avec des trajectoires cliniques et des prévalences de suicide très différentes.
2. Complémentarité des approches : L'article valide l'hypothèse que les méthodes non supervisées (LCA) et supervisées (XAI/ML) sont complémentaires. La LCA fournit un contexte populationnel et identifie des phénotypes cliniques, tandis que l'XAI identifie les variables prédictives globales.
3. Dissociation des facteurs de risque : Mise en évidence du fait qu'un risque de suicide élevé peut exister sans antécédents d'hospitalisation psychiatrique (Classe 2), un point crucial pour le dépistage clinique.

5. Signification et Implications

• Pour la recherche : L'intégration de l'appartenance à une classe latente dans les modèles de classification supervisée pourrait améliorer l'interprétabilité et la performance des modèles de prédiction du suicide en reliant les prédictions individuelles à des phénotypes cliniques plus larges.
• Pour la pratique clinique : Les résultats suggèrent que les interventions ne doivent pas se baser uniquement sur l'historique psychiatrique. Les professionnels doivent être attentifs aux signes de détresse émotionnelle et sociale (colère, isolement) même en l'absence de diagnostics psychiatriques formels ou d'hospitalisations antérieures.
• Limites : L'étude est basée sur des données transversales d'un seul site (Sri Lanka), ce qui limite la généralisation temporelle et géographique. Cependant, la reproductibilité des données et du code renforce la validité méthodologique.

En conclusion, cette étude propose un cadre intégré où l'analyse des classes latentes enrichit la compréhension des risques de suicide en révélant la structure sous-jacente de l'hétérogénéité des patients, offrant ainsi une base plus solide pour des interventions ciblées.