Prediction of Mental Health Disorders: From Markers to Models in Artificial Intelligence

L'esprit humain est un paysage vaste et complexe, et depuis des siècles, la compréhension de ses tempêtes — la dépression, l'anxiété et le poids écrasant du stress — a reposé largement sur la conversation. Un médecin écoute un patient décrire ses sentiments, observe son comportement et applique des directives établies pour établir un diagnostic. Cette méthode est profondément humaine, mais elle a ses limites. Elle dépend de la capacité d'une personne à articuler une douleur qui est souvent difficile à nommer, et elle traite l'esprit comme un état binaire : soit une personne est malade, soit elle ne l'est pas. Au cours des dernières années, un nouvel outil est entré dans ce domaine, un outil qui ne repose pas uniquement sur les mots, mais sur le langage silencieux et électrique du corps lui-même. C'est le domaine de l'intelligence artificielle, où les ordinateurs sont enseignés pour trouver des modèles dans des données trop subtiles pour l'œil humain. En observant le rythme d'un battement de cœur, l'activité électrique du cerveau, ou même la façon dont une personne dort, les chercheurs commencent à voir si les machines peuvent repérer les signes précurseurs de la détresse mentale avant qu'une crise ne survienne.

Une équipe de chercheurs de l'Université d'Amity en Inde s'est donné pour mission de cartographier ce territoire émergent. Ils voulaient savoir si les ordinateurs pouvaient prédire ces troubles de la santé mentale courants plus efficacement que les méthodes traditionnelles actuellement en usage. Pour ce faire, ils n'ont pas mené une expérience unique en laboratoire. À la place, ils ont effectué une revue massive du monde scientifique, en rassemblant et en analysant 185 études différentes publiées au cours de la dernière décennie. Ces études utilisaient une grande variété de données, allant des scanners cérébraux et moniteurs cardiaques aux sondages et enregistrements vidéo. Les chercheurs ont examiné comment différents programmes informatiques, allant des algorithmes plus anciens et simples aux systèmes d'apprentissage profond plus récents et plus complexes, se comportaient lorsqu'on leur demandait d'identifier les signes de dépression, d'anxiété ou de stress. Leur objectif était de découvrir quelle approche fonctionnait le mieux et de comprendre quels signaux biologiques les ordinateurs utilisaient réellement pour prendre leurs décisions.

Les chercheurs ont d'abord organisé les indices biologiques qui signalent la détresse mentale en quatre groupes distincts. Ils ont examiné les marqueurs électrophysiologiques, qui sont les motifs électriques du cerveau capturés par des capteurs sur le cuir chevelu. Ils ont examiné les marqueurs physiologiques, tels que les changements de fréquence cardiaque, de pression artérielle et la façon dont la peau conduit l'électricité lorsqu'une personne est émue. Ils ont également pris en compte les marqueurs immunologiques, qui sont des signes d'inflammation dans le corps, et les marqueurs psychologiques, tels que la qualité et la durée du sommeil d'une personne. En triant ces signaux, l'équipe a pu voir lesquels apparaissaient le plus souvent chez les personnes souffrant de conditions spécifiques. Par exemple, ils ont découvert que certaines irrégularités dans les ondes cérébrales et des niveaux élevés de protéines inflammatoires spécifiques étaient fréquemment liés à la dépression, tandis que des changements dans la variabilité de la fréquence cardiaque étaient courants dans l'anxiété et le stress.

Une fois les données biologiques organisées, l'équipe a comparé les performances des modèles informatiques. Ils ont testé quatre types principaux d'algorithmes. Le premier groupe comprenait des outils d'apprentissage automatique traditionnels, tels que les Machines à Vecteurs de Support, qui agissent comme un trieur sophistiqué tentant de tracer une ligne entre les données saines et malsaines, et les Forêts Aléatoires, qui construisent de nombreux petits arbres de décision pour parvenir à une conclusion. Ils ont également testé les K-plus proches voisins, une méthode qui devine une condition en se basant sur la similitude d'un nouveau cas avec des cas passés. Le second groupe consistait en des modèles d'apprentissage profond, qui sont des systèmes avancés conçus pour imiter les couches du cerveau humain. Ces systèmes peuvent traiter les données brutes directement, apprenant des modèles complexes sans avoir besoin que des humains indiquent manuellement chaque caractéristique au préalable.

Les résultats de cette comparaison étaient clairs et cohérents. Les modèles d'apprentissage profond se sont révélés être les outils les plus précis et les plus fiables pour prédire les troubles de la santé mentale. Testés sur la dépression, ces modèles avancés ont atteint une précision moyenne de 96,04 pour cent. Pour l'anxiété, ils ont atteint 92,31 pour cent, et pour le stress, ils ont atteint 94,14 pour cent. Plus important encore, ces modèles étaient stables ; leurs résultats ne fluctuaient pas de manière sauvage d'une étude à l'autre, suggérant qu'ils pouvaient gérer les données désordonnées du monde réel fournies par les patients. En revanche, les modèles d'apprentissage automatique traditionnels, bien qu'encore utiles, montraient plus de variabilité. Les Forêts Aléatoires performaient bien, particulièrement pour l'anxiété et la dépression, mais la méthode plus simple des K-plus proches voisins était celle qui éprouvait le plus de difficultés, notamment pour détecter le stress, produisant souvent des résultats incohérents. L'étude suggère que la capacité de l'apprentissage profond à trouver des connexions cachées et complexes dans les données lui donne un avantage significatif sur les méthodes plus anciennes.

Cependant, les chercheurs ont pris soin de préciser que cette technologie n'est pas encore un produit fini prêt pour chaque cabinet médical. Un obstacle majeur est la donnée elle-même. De nombreuses études qu'ils ont examinées reposaient sur de petits groupes de personnes, souvent des étudiants ou du personnel hospitalier, ce qui signifie que les modèles informatiques pourraient moins bien fonctionner pour les personnes âgées, les enfants ou les personnes issues de contextes culturels différents. Il existe également un manque de données à long terme ; la plupart des études observaient un moment précis plutôt que de suivre l'évolution de la santé mentale d'une personne sur des mois ou des années. De plus, les chercheurs ont souligné que ces outils ne devraient pas remplacer les médecins humains. Au lieu de cela, ils devraient agir comme un système de soutien, un moyen de détecter les signes précurseurs qu'un humain pourrait manquer.

La voie à suivre implique de combler ces lacunes. L'équipe suggère que les travaux futurs doivent inclure des groupes de personnes plus diversifiés et se concentrer sur la surveillance continue à l'aide de dispositifs portables, comme les montres connectées, capables de suivre la fréquence cardiaque et le sommeil jour et nuit. Ils ont également souligné la nécessité de règles éthiques strictes pour protéger les données sensibles que ces systèmes collectent. Bien que la technologie montre un grand potentiel pour créer des plans de traitement personnalisés et réduire la stigmatisation de la maladie mentale en rendant le diagnostic plus objectif, elle nécessite une manipulation prudente. L'étude conclut que, si l'intelligence artificielle a montré qu'elle pouvait percevoir des modèles dans l'esprit humain qui étaient auparavant invisibles, sa véritable valeur viendra de l'utilisation de ces connaissances pour aider les gens de manière sûre, équitable et profondément humaine.