Perception of Safety in Behavioral Health Crisis Units among Patients and Care Partners versus Artificial Intelligence (AI): A Multimethod Study

Cette étude multiméthode démontre que la perception de la sécurité par les patients et leurs proches influence fortement le choix des unités de crise en santé comportementale, révélant à la fois des convergences et des divergences significatives avec les évaluations de risques générées par l'intelligence artificielle.

L'essentiel

Imaginez que vous devez choisir un hôtel pour passer une nuit très difficile, où vous vous sentez vulnérable. Vous ne regarderiez pas seulement la couleur des rideaux, mais vous chercheriez instinctivement à savoir si la pièce est sûre : y a-t-il des cordes dangereuses ? Des coins pointus ? Est-ce un endroit où vous vous sentirez en sécurité pour vous reposer ?

C'est exactement ce que cette étude a exploré, mais dans le contexte des unités de crise en santé mentale (des endroits où les gens vont quand ils traversent une crise émotionnelle grave).

Voici l'histoire de la recherche, racontée simplement :

1. Le Grand Jeu du Choix (L'Enquête)

Les chercheurs ont organisé un grand jeu en ligne à travers tout le pays. Ils ont montré des photos de différentes unités de crise à des patients et à leurs proches (les "care partners").

• La question : « Si vous deviez choisir, dans quelle unité iriez-vous ? »
• Le piège : Certaines photos montraient des endroits très sûrs, d'autres montraient des endroits avec des risques cachés (comme des points d'accrochage pour des cordes, ou des matériaux dangereux).

C'était un peu comme comparer des maisons : l'une a une clôture solide, l'autre a des échelles accessibles. Les gens ont dû choisir leur "maison" préférée.

2. Le Détective Robot (L'Intelligence Artificielle)

Pendant ce temps, les chercheurs ont fait appel à un détective robot (une Intelligence Artificielle). Ce robot avait été entraîné par des experts pour repérer les dangers sur les photos. Son travail était de scanner chaque image et de dire : « Attention ! Ici, il y a un risque de sécurité. »

Ensuite, ils ont comparé deux listes :

1. Ce que les humains (patients et proches) ont dit : « Je ne vais pas ici, ça me fait peur. »
2. Ce que le robot a dit : « Danger détecté ici. »

3. Les Résultats Surprenants

Voici ce qu'ils ont découvert, avec quelques images pour illustrer :

• Les humains sont de bons juges : Plus une photo montrait de dangers (comme des cordes ou des objets pointus), moins les gens voulaient y aller. C'est logique : si vous voyez un panneau « Attention, sol glissant », vous marcherez plus prudemment ou vous choisirez un autre chemin. Les gens évitent instinctivement les environnements qui semblent dangereux.
• Le robot et l'humain sont souvent d'accord : Les zones que les humains trouvaient dangereuses (représentées par des "cartes de chaleur" rouges sur les photos) correspondaient souvent à celles que le robot avait repérées. C'est comme si le robot et l'humain pointaient du doigt la même chaise branlante.
• Mais le robot a des limites : Parfois, les humains voyaient un danger que le robot ne voyait pas.
  • L'analogie : Imaginez que le robot voit une chaise et dit « C'est une chaise ». Mais l'humain regarde le tissu et dit « Ce tissu est inflammable » ou « Cette chaise semble trop fragile pour mon poids ». Le robot voit les objets, mais l'humain sent l'ambiance et les matériaux. Le robot ne comprenait pas toujours pourquoi un objet donnait une mauvaise sensation de sécurité.

4. La Conclusion : Un Duo Gagnant

Le message principal est que nous ne devons pas choisir entre l'humain et le robot, mais les mettre en équipe.

L'étude suggère que l'Intelligence Artificielle peut être un super-assistant pour les gens qui ne sont pas des experts en sécurité. Elle peut scanner rapidement des centaines de photos et dire : « Attention, il y a 5 dangers ici ! ». Cela aide les patients et les familles à prendre de meilleures décisions pour choisir un endroit où ils se sentiront en sécurité.

En résumé :
Les humains ont un bon instinct pour sentir quand un lieu est dangereux, même sans être des experts. L'IA est excellente pour repérer les dangers techniques, mais elle a besoin de l'humain pour comprendre la nuance et la sensation de sécurité. Ensemble, ils peuvent aider à créer des lieux de soin beaucoup plus sûrs pour tous.

Résumé technique

Titre de l'étude

Perception de la sécurité dans les unités de crise en santé comportementale (BHCU) : Comparaison entre patients, partenaires de soins et Intelligence Artificielle (IA) – Une étude multiméthode.

---

1. Problématique

La sécurité environnementale est un enjeu critique dans les unités de crise en santé comportementale (BHCU), où des risques physiques tels que les points d'attache (ligatures) peuvent entraîner des blessures graves, voire le suicide ou des agressions.
Cependant, deux lacunes majeures existent dans la littérature actuelle :

• L'impact de la sécurité perçue sur le processus de sélection des établissements par les patients et leurs partenaires de soins n'est pas bien compris.
• Il existe un manque de données sur la façon dont ces perceptions humaines s'alignent (ou divergent) avec les évaluations de risques générées par des outils d'Intelligence Artificielle (IA) entraînés par des experts.

2. Méthodologie

L'étude a adopté une approche multiméthode combinant des enquêtes quantitatives et des analyses spatiales comparatives :

• Enquête nationale par choix discrets (Discrete Choice Experiment) :

  • Une enquête en ligne a été menée auprès d'une large population.
  • Les participants ont été confrontés à des scénarios basés sur des images d'environnements de BHCU.
  • Ils devaient sélectionner l'établissement préféré en fonction de multiples attributs, dont le niveau de risque environnemental (ex. : présence de points d'attache).
  • Les participants devaient également identifier et annoter les risques de sécurité directement sur les images fournies.

• Analyse par Intelligence Artificielle :

  • Un outil d'IA, développé et entraîné par des experts, a analysé les mêmes images pour détecter automatiquement les risques environnementaux.
  • Les sorties de l'IA (cartes de chaleur et détections) ont été comparées aux annotations humaines.

• Analyse Statistique et Spatiale :

  • Modèles de choix conditionnels (Conditional Logit Models) : Utilisés pour quantifier l'influence des attributs (notamment la fréquence des risques) sur le choix de l'établissement.
  • Comparaison spatiale : Analyse des cartes de chaleur (heatmaps) générées par les participants versus celles de l'IA pour évaluer les zones de convergence et de divergence dans la perception des risques.

3. Contributions Clés

• Quantification de l'impact de la sécurité perçue : Première étude reliant explicitement la fréquence des risques visuels perçus à la probabilité de sélection d'un établissement de soins.
• Validation comparative Humain-IA : Évaluation rigoureuse de la capacité d'un modèle d'IA à reproduire la perception de sécurité d'utilisateurs non experts (patients et familles) dans un contexte clinique sensible.
• Identification des limites de l'IA : Mise en évidence des facteurs contextuels (types de matériaux, risques non étiquetés) qui échappent aux modèles d'IA actuels mais qui sont intuitivement saisis par les humains.

4. Résultats

• Influence sur la décision : La présence fréquente de risques de sécurité dans les images a une réduction significative de la probabilité qu'un établissement soit choisi.
  • Données statistiques : $p < .001$, avec un Odds Ratio (OR) d'environ 1,28, indiquant que la perception du risque est un déterminant majeur du choix.
• Alignement Humain-IA :
  • Il existe une corrélation notable entre les cartes de chaleur générées par les participants et celles de l'IA, suggérant que l'IA peut détecter les risques majeurs de manière similaire aux humains.
• Divergences critiques :
  • Des écarts significatifs subsistent. La perception humaine est influencée par des subtilités que l'IA ne capture pas entièrement, notamment :
    • La nature des matériaux (ex. : texture, rigidité).
    • Des risques inconnus ou hors étiquette (out-of-label) présents dans les images mais non reconnus par le modèle entraîné.

5. Signification et Implications

Bien que l'IA ne remplace pas encore la perception humaine dans tous ses aspects contextuels, les résultats démontrent la valeur d'intégrer des outils d'IA assistifs dans le processus d'évaluation des risques.

• Pour la prise de décision : Ces outils peuvent soutenir les patients et les partenaires de soins (non-experts) dans l'évaluation de la sécurité des environnements de soins.
• Pour la conception des BHCU : L'étude souligne la nécessité de concevoir des espaces qui non seulement répondent aux normes techniques, mais qui aussi rassurent visuellement les utilisateurs, en tenant compte des facteurs subtils que l'IA doit encore apprendre à interpréter.
• Futur de la recherche : Il est recommandé d'améliorer les modèles d'IA pour inclure la compréhension des matériaux et des risques contextuels non étiquetés afin de mieux aligner l'évaluation algorithmique sur l'expérience humaine réelle.