From Health Checkups to Mental Health Referrals: Developing an AI-Based Depression Screening Model Using Routine Data in Older Adults Living Alone

Résumé technique : Développement d'un modèle de dépistage de la dépression basé sur l'IA utilisant des données de routine chez les personnes âgées vivant seules

Énoncé du problème
Les personnes âgées vivant seules sont confrontées à un risque élevé de dépression en raison de l'isolement social, du déclin physique et des difficultés économiques. Cependant, cette population reste largement non diagnostiquée en raison d'une sensibilisation limitée aux symptômes, de la stigmatisation sociale et de systèmes d'orientation insuffisants. En Corée du Sud, seuls 65 % des patients souffrant de dépression sollicitent de manière indépendante des soins de santé mentale. De plus, les symptômes somatiques masquent souvent une dépression sous-jacente, entraînant une erreur d'attribution à des maladies physiques. Bien que le phénotypage numérique utilisant des objets connectés soit prometteur, il repose sur des signaux biométriques non routiniers et manque d'intégration avec les flux de travail cliniques standards. Par conséquent, il existe un besoin critique pour un mécanisme de dépistage qui utilise les données déjà collectées lors des bilans de santé généraux de routine afin de permettre aux médecins généralistes d'identifier proactivement les individus à risque sans nécessiter d'évaluation psychiatrique immédiate.

Méthodologie
Cette étude a employé une conception transversale rétrospective utilisant le jeu de données des personnes âgées vivant seules (LAOA) ($n=1\,087$), collecté dans le cadre du programme de soins intensifs gérés pour les personnes âgées vivant seules (IMCELA) à Cheonan, en Corée du Sud. Le jeu de données comprenait des participants âgés de 65 ans et plus vivant seuls et bénéficiant d'un soutien de soins limité.

• Variable cible : L'état dépressif a été défini à l'aide de la version courte de l'échelle de dépression gériatrique (SGDS), où un score >10 indiquait un risque élevé.
• Ingénierie des caractéristiques : L'étude a développé le cadre DEPACS (Depression Prediction based on Anthropometric and Clinical Signs), intégrant 40 caractéristiques réparties en sept domaines :
  1. Statut socio-économique (genre, âge, statut de l'assurance maladie nationale, éducation, état matrimonial).
  2. Signes vitaux (fréquence cardiaque, fréquence respiratoire).
  3. Mesures anthropométriques (circonférence de la tête, du cou et de la taille).
  4. Fonction physique (audition, vision, odorat, goût, démarche et performance de l'équilibre).
  5. Comportements de santé (fréquence des repas, durée de l'exercice, consommation d'alcool, exposition au tabac).
  6. Maladies chroniques (12 conditions spécifiques et l'échelle de notation cumulative des maladies).
  7. Qualité du sommeil (sept sous-composantes de l'indice de qualité du sommeil de Pittsburgh).
• Développement du modèle : Le jeu de données a été divisé en 80:20 entre les ensembles d'entraînement et de test. Cinq algorithmes d'apprentissage automatique ont été évalués : Support Vector Machine (SVM), Random Forest (RF), Gradient Boosting, XGBoost et K-Nearest Neighbors (KNN). L'optimisation des hyperparamètres a été réalisée via une recherche par grille avec une validation croisée à 5 plis.
• Évaluation de référence (Benchmarking) : Un modèle de contrôle utilisant exclusivement les items du PHQ-9 a été développé pour établir un plafond de performance.
• Métriques d'évaluation : Les modèles ont été évalués selon la sensibilité, la spécificité, l'exactitude, le score F1, le score de Brier, la valeur prédictive positive (VPP), l'aire sous la courbe précision-rappel (AUPRC) et l'aire sous la courbe ROC (AUROC).
• Interprétabilité : L'analyse SHAP (SHapley Additive exPlanations) a été appliquée aux modèles les plus performants pour identifier les contributions des caractéristiques. Une simulation de suppression de caractéristiques a été menée pour évaluer l'impact des prédicteurs principaux sur la performance du modèle.

Résultats clés

• Performance de référence : Le modèle exclusif PHQ-9 a démontré une excellente performance, la plupart des algorithmes atteignant des scores AUROC et AUPRC supérieurs à 0,96 (SVM, Gradient Boosting et XGBoost ont atteint 0,99 AUROC).
• Performance du modèle DEPACS : Le modèle DEPACS, utilisant uniquement des données de bilan de santé de routine, a obtenu une performance prédictive passable à acceptable. L'algorithme SVM a donné les meilleurs résultats avec une AUROC de 0,74 et une AUPRC de 0,73. Les autres algorithmes (Random Forest, Gradient Boosting, XGBoost) ont obtenu des scores AUROC compris entre 0,71 et 0,73.
• Importance des caractéristiques (Analyse SHAP) :
  • Dans le modèle PHQ-9, l'« humeur dépressive » et la « perte d'intérêt » étaient les prédicteurs dominants.
  • Dans le modèle DEPACS, le pouvoir prédictif était réparti sur plusieurs domaines plutôt que concentré sur une seule caractéristique. Les prédicteurs clés comprenaient les indices de qualité du sommeil (qualité subjective, latence, perturbations), la circonférence de la taille et de la tête, la fonction d'équilibre, la fréquence cardiaque et la fréquence des repas.
  • L'analyse descriptive a confirmé que le groupe dépressif présentait un sommeil plus médiocre, une fréquence de repas plus faible, un équilibre altéré, une fréquence cardiaque plus élevée et des taux plus élevés de dysfonctionnement sensoriel par rapport au groupe non déprimé.
• Simulation de suppression de caractéristiques : La suppression des caractéristiques les mieux classées par SHAP, telles que la fréquence des repas, le dysfonctionnement diurne et les scores d'équilibre, a considérablement diminué l'AUROC, confirmant leur utilité. Inversement, la suppression de la circonférence de la tête a légèrement amélioré l'AUROC, suggérant qu'elle peut agir comme une caractéristique de bruit malgré son classement élevé dans SHAP.

Signification et revendications
L'article affirme que le cadre DEPACS offre un outil pratique et explicable pour les contextes de soins primaires afin d'identifier le risque de dépression chez les personnes âgées vivant seules sans dépendre d'évaluations spécifiques à la santé mentale.

• Faisabilité : L'étude démontre qu'une prédiction significative est réalisable en utilisant uniquement des données cliniques standards (signes vitaux, anthropométrie, fonction physique et mesures du sommeil), contournant ainsi la stigmatisation et les barrières associées au dépistage psychiatrique direct.
• Utilité clinique : Le modèle n'est pas positionné comme un remplacement du diagnostic clinique, mais comme une aide à la décision supplémentaire. Il permet aux médecins généralistes de recommander proactivement des évaluations de santé mentale aux individus à haut risque qui pourraient autrement les éviter.
• Explicabilité : L'utilisation de l'analyse SHAP valide que les prédictions du modèle s'alignent sur la littérature médicale établie (par exemple, le lien entre les troubles du sommeil, le déclin de la fonction physique et la dépression), fournissant un cadre transparent pour l'adoption clinique.
• Limites : Les auteurs reconnaissent les limites liées à la nature monocentrique du jeu de données (Cheonan, Corée du Sud), ce qui peut affecter la généralisabilité. Ils notent également que bien que le modèle soit performant, son AUROC (0,74) est inférieur aux outils psychiatriques spécialisés, renforçant son rôle d'instrument de dépistage plutôt que de diagnostic.

Conclusion
Cette recherche valide le potentiel de l'intégration de l'apprentissage automatique avec les données de bilan de santé de routine pour combler l'écart de traitement de la dépression chez les populations âgées vulnérables. En exploitant les flux de travail cliniques existants, le modèle DEPACS offre une voie vers la détection précoce et l'orientation, répondant au problème critique du sous-diagnostic chez les personnes âgées socialement isolées.