Dans un article récent, des chercheurs ont testé de nouveaux outils d’apprentissage automatique pour détecter la dépression majeure et le trouble d’anxiété généralisée (TAG) à l’aide des dossiers médicaux électroniques (DME). Les DME contiennent des informations personnelles sur la santé, notamment des marqueurs biométriques tels que la taille et le poids, les diagnostics médicaux antérieurs et des informations démographiques telles que l’accès à une assurance médicale et le revenu du ménage. La dépression majeure et le TAG sont des troubles mentaux répandus qui passent souvent inaperçus, ce qui retarde le traitement. L’étude a utilisé des données provenant de 4,184 étudiants de premier cycle qui ont reçu des examens de santé et des évaluations psychiatriques. Les auteurs ont exclu les informations psychiatriques de leur modèle d’apprentissage automatique; au lieu de cela, ils ont utilisé uniquement des caractéristiques biométriques et démographiques comme prédicteurs.

Le modèle d’apprentissage automatique était constitué de diverses méthodes algorithmiques, y compris des techniques d’apprentissage profond. Le modèle a fait preuve d’une précision supérieure au hasard pour la détection de la dépression majeure et du TAG, démontrant une taille d’effet modérée (indiquant une performance bonne, mais pas excellente). Cette performance était comparable à celle de modèles d’apprentissage automatique développés dans des études antérieures qui utilisaient des caractéristiques psychiatriques pour leur prédiction.

L’étude a également documenté l’impact des caractéristiques individuelles sur les prédictions. Des facteurs tels que la satisfaction à l’égard des conditions de vie, le type d’assurance maladie, le statut vaccinal et la consommation de marijuana sont apparus comme les principaux prédicteurs de la dépression majeure et du TAG. Des marqueurs biométriques tels que l’hypertension artérielle ont également été identifiés comme prédicteurs du TAG. En outre, les interactions entre les caractéristiques ont joué un rôle important. Par exemple, une personne consommant beaucoup de marijuana était généralement plus susceptible de souffrir d’un TAG lorsqu’elle était également en surpoids. Les limites de l’étude incluent un échantillon homogène, puisque tous les participants étaient des étudiants de premier cycle. Par conséquent, l’efficacité du modèle pourrait ne pas s’étendre à la population générale.

Dans l’ensemble, l’étude démontre des avancées prometteuses dans l’utilisation d’outils d’apprentissage automatique pour la détection de problèmes de santé mentale à partir de données cliniques facilement accessibles. Il s’agit donc d’un outil potentiel pour la détection précoce de la dépression majeure et du TAG, même s’il ne s’agit pas d’un outil de diagnostic en soi. Si un modèle similaire (et peut-être plus performant) est déployé dans le système de santé dans le futur, les personnes identifiées comme étant “à haut risque” devront toujours faire l’objet d’une évaluation psychiatrique par un professionnel de la santé avant de recevoir un diagnostic.