Un outil de machine learning prédit le risque dépressif chez les adolescents

  • Toenders YJ & al.
  • Biol Psychiatry Cogn Neurosci Neuroimaging

  • Caroline Guignot
  • Résumé d’articles
L'accès à l'intégralité du contenu de ce site est reservé uniquement aux professionnels de santé disposant d'un compte. L'accès à l'intégralité du contenu de ce site est reservé uniquement aux professionnels de santé disposant d'un compte.

Messages principaux

  • Des chercheurs ont utilisé les données issues d’une cohorte d’adolescents européens (IMAGEN) dans laquelle des jeunes de 14 ans avaient subi une batterie de tests et bénéficié d’un suivi de 2 à 5 ans au cours duquel certains ont développé une dépression. Ils ont pu mettre au point un outil d’apprentissage automatique qui était capable de prédire le risque de dépression d’un adolescent avec une performance satisfaisante (aire sous la courbe ROC de 0,70-0,72). Celui-ci pourrait constituer à terme un moyen efficace et peu coûteux pour identifier les sujets les plus vulnérables, éligibles à un accompagnement.

 

L’impact de la dépression sur la qualité et le parcours de vie des adolescents est particulièrement important. Un diagnostic facilité permettrait une prise en charge précoce et un meilleur pronostic. Dans ce domaine, les outils apprenants fondés sur l’intelligence artificielle peuvent être d’une aide précieuse.

Aussi, des chercheurs européens ont utilisé les données de la cohorte IMAGEN qui avait recruté 2.223 adolescents d’environ 14 ans au niveau de huit sites différents implantés en France, en Allemagne, en Irlande et au Royaume-Uni. La cohorte visait à être variée en termes de profil socio-économique, de performances scolaires et sur le plan comportemental et émotionnel, mais les patients ayant des pathologies psychiatriques autres ou neurologiques avaient été exclus (schizophrénie, bipolarité, autisme, épilepsie…). Tous avaient rempli des questionnaires psychiatriques à l’inclusion puis au cours des suivis planifiés à 16, 19 et 22 ans. Les sujets sans dépression, avec une dépression subclinique ou une dépression avérée ont été identifiés. L’outil de machine learning a été développé sur la base de 145 variables dont deux démographiques, 7 cliniques, 24 cognitives, 9 de personnalité, 22 sur l’environnement de l’enfant, 4 relatifs aux substances consommées, 1 au développement et 76 sur l’IRM structurelle.

Les chercheurs ont construit l’outil à partir d’une cohorte d’apprentissage puis l’ont validé à l’aide d’une cohorte de validation. Ils se sont aussi assurés de la sensibilité de l’outil en le testant sur le sous-groupe des sujets sans dépression. Les paramètres qui sont apparus déterminants pour prédire le risque de dépression étaient la présence initiale de symptômes dépressifs, le sexe féminin, le neuroticisme, les événements stressants de la vie et la surface du gyrus supramarginal au niveau pariétal. Ainsi, l’outil permet d’obtenir une aire sous la courbe ROC de 0,70-0,72.

L’analyse a ensuite montré que l’outil restait discriminant lorsqu’il était utilisé pour la cohorte de chaque centre participant pris isolément, confirmant sa validité indépendamment des sites de recrutement. En revanche, du fait des critères d’exclusion, l’outil ne peut pour l’heure pas être généralisé à la population d’adolescents tout venant.