L’apprentissage automatique peut-il prédire et prévenir les problèmes de santé mentale ?

Dans une étude récente publiée dans le Médecine naturelle journal, les chercheurs ont évalué l’efficacité du modèle d’apprentissage automatique pour prédire les crises de santé mentale.

Il a été rapporté que la reconnaissance en temps opportun des personnes à risque de détérioration de la santé mentale améliore les résultats de la maladie. Cependant, l’examen manuel des dossiers des patients pour identifier ces personnes n’est pas pratique en raison de la myriade de problèmes de santé mentale qui prévalent dans la société.

Étude : Modèle d’apprentissage automatique pour prédire les crises de santé mentale à partir des dossiers de santé électroniques. Crédit d’image : archy13/Shutterstock

À propos de l’étude

Dans la présente étude, les chercheurs ont développé un modèle d’apprentissage automatique qui utilise les dossiers de santé électroniques des individus pour les surveiller pour tout risque de crise de santé mentale sur 28 jours.

L’équipe a développé un outil prédictif pour aider les travailleurs de la santé à optimiser les priorités de la charge de travail tout en permettant une intervention professionnelle qui pourrait réduire le risque de crise. Ceci a été réalisé en alignant l’objectif de prédiction avec l’approche axée sur les services pour définir une crise comme la survenue d’un symptôme nécessitant l’intervention des ressources de santé. L’équipe a généré un ensemble de données qui comprenait des événements de crise qui ont été enregistrés chaque fois qu’un patient avait un besoin urgent de services de crise en santé mentale, y compris l’hospitalisation, l’évaluation des patients d’urgence, l’évaluation du traitement à domicile ou l’admission à l’hôpital.

De plus, le critère d’évaluation prédictif a été défini comme le début d’un épisode de crise de santé mentale, comprenant un ou plusieurs événements de crise qui ont été précédés d’au moins une semaine complète stable sans la survenue d’aucun événement de crise. Par conséquent, l’équipe a configuré le modèle d’apprentissage automatique pour prévoir le début du premier événement de crise dans un épisode au cours des 28 prochains jours.

Les séries chronologiques d'événements sont représentées avec les horodatages et les caractéristiques des événements dans différentes tables SQL de la base de données de l'hôpital.  Ces tables sont traitées et converties en fonctions pour la tâche de modélisation.  Les modèles sont formés, ajustés et sélectionnés sur la base des données de la période 2012-2019.  Le système prédit le risque d'apparition de crise dans les 28 prochains jours (donc l'algorithme est consulté chaque semaine pour chaque patient).  Les patients présentant le risque prédit le plus élevé sont affichés sur le tableau de bord fourni aux cliniciens avec des indicateurs clés, des notes de patients et un formulaire de questionnaire sur chaque patient, qui est rempli par le clinicien.  Les icônes de cette figure ont été créées par Freepik de www.flaticon.com.  PI, hospitalisé.Les séries chronologiques d’événements sont représentées avec les horodatages et les caractéristiques des événements dans différentes tables SQL de la base de données de l’hôpital. Ces tables sont traitées et converties en fonctions pour la tâche de modélisation. Les modèles sont formés, ajustés et sélectionnés sur la base des données de la période 2012-2019. Le système prédit le risque d’apparition de crise dans les 28 prochains jours (donc l’algorithme est consulté chaque semaine pour chaque patient). Les patients présentant le risque prédit le plus élevé sont affichés sur le tableau de bord fourni aux cliniciens avec des indicateurs clés, des notes de patients et un formulaire de questionnaire sur chaque patient, qui est rempli par le clinicien. Les icônes de cette figure ont été créées par Freepik de www.flaticon.com. PI, hospitalisé.

L’équipe a conçu le modèle d’apprentissage automatique pour permettre des requêtes chaque semaine afin de déterminer le risque que chaque patient subisse un épisode de crise de santé mentale au cours des 28 prochains jours. Le modèle a été construit en extrayant des informations appartenant à trois catégories : (1) des données statiques ou semi-statiques sur les patients, y compris des informations telles que le sexe, l’âge et les diagnostics codés dans la Classification internationale des maladies 10 (CIM-10) ; (2) évaluations et interactions disponibles avec l’hôpital (3) variables représentant la durée depuis les événements enregistrés. Le modèle a généré un score de risque prédit (PRS) compris entre 0 et 1 pour chaque sujet.

Des techniques d’apprentissage automatique telles que les arbres de décision, les ensembles, les classificateurs probabilistes et basés sur l’apprentissage en profondeur ont été testées. L’équipe a ensuite comparé le modèle XGBoost (eXtreme gradient boosting) avec deux facteurs de référence, à savoir le modèle de référence basé sur le diagnostic de la pratique clinique. De plus, les performances du modèle de prédiction ont été évaluées chez des patients diagnostiqués avec des troubles de santé mentale classés selon le premier niveau de la CIM-10.

De plus, l’équipe a mené une étude prospective dans laquelle des modèles d’apprentissage automatique prédisaient des événements de dépression mentale qui étaient transmis toutes les deux semaines aux médecins en exercice. Cela a été fait en interrogeant le modèle pour classer les patients par ordre décroissant en fonction du PRS du patient.

Quatre diagrammes de force représentatifs, illustrant comment les caractéristiques ont contribué à la prédiction de quatre points de données spécifiques.  De haut en bas : Patient qui n'aura pas de crise au cours des quatre prochaines semaines (cible = 0), le modèle a attribué une valeur de prédiction de 0,178.  Patient qui ne va pas avoir de crise au cours des quatre prochaines semaines (cible = 0), le modèle a attribué une valeur de prédiction de 0,129.  Patient qui va avoir une crise au cours des quatre prochaines semaines (cible = 1), le modèle a attribué une valeur de prédiction de 0,792.  Patient qui va avoir une crise au cours des quatre prochaines semaines (cible = 1), le modèle a attribué une valeur de prédiction de 0,725.Quatre diagrammes de force représentatifs, illustrant comment les caractéristiques ont contribué à la prédiction de quatre points de données spécifiques. De haut en bas : Patient qui n’aura pas de crise au cours des quatre prochaines semaines (cible = 0), le modèle a attribué une valeur de prédiction de 0,178. Patient qui ne va pas avoir de crise au cours des quatre prochaines semaines (cible = 0), le modèle a attribué une valeur de prédiction de 0,129. Patient qui va avoir une crise au cours des quatre prochaines semaines (cible = 1), le modèle a attribué une valeur de prédiction de 0,792. Patient qui va avoir une crise au cours des quatre prochaines semaines (cible = 1), le modèle a attribué une valeur de prédiction de 0,725.

Résultats

La cohorte de l’étude comprenait 5 816 586 dossiers obtenus auprès de 17 122 patients âgés de 16 à 102 ans au cours de la période de septembre 2012 à novembre 2018. Les patients du groupe ont reçu un diagnostic de nombreux troubles, notamment de l’humeur, organiques, névrotiques, psychotiques et psychotiques. troubles de la personnalité. L’ensemble de données comprenait également 60 388 épisodes convulsifs, avec une moyenne de 24 événements convulsifs par épisode.

Les résultats de l’étude ont montré que le modèle global fonctionnait significativement mieux pour les troubles organiques avec une zone sous la caractéristique de fonctionnement du récepteur (AUROC) de 0,89 par rapport à la performance globale de 0,797. Lorsque les autres groupes de diagnostics étaient pris en compte, les performances globales et globales se situaient respectivement entre 0,770 et 0,814. L’équipe a noté que les performances les plus faibles concernaient les troubles de l’humeur, la schizophrénie et les troubles schizotypiques et délirants. Dans la comparaison des modèles séparés avec le modèle général, le modèle général a obtenu de meilleurs résultats que les modèles de référence, tandis qu’aucun des modèles spécifiques au trouble n’a montré de meilleures performances que le modèle général.

L’équipe a également évalué la performance du modèle global en termes de groupes d’âge des patients. Pour les patients de moins de 18 ans, la performance du modèle global a chuté à 0,743, tandis que pour ceux âgés de 65 à 74 ans, la performance a augmenté à 0,840. Il est à noter qu’un comportement similaire a été observé chez les patients appartenant à d’autres tranches d’âge avec un AUROC compris entre 0,782 et 0,796.

L’étude montre que l’apprentissage automatique peut fournir une base pour faciliter une meilleure allocation des ressources dans les soins de santé mentale. Les chercheurs pensent que l’étude actuelle pourrait motiver les prestataires de soins de santé mentale à passer des soins réactifs aux soins préventifs.

.

Add Comment