Un modèle d’apprentissage profond basé sur des scanners cérébraux et des tests cognitifs pourrait aider à protéger les pompiers exposés au risque d’alcoolisme, modifiant ainsi la manière dont les professions très stressantes abordent la santé mentale.
Étude : Prédire le risque de troubles liés à la consommation d'alcool chez les pompiers à l'aide d'un modèle d'apprentissage profond multimodal : une étude transversale. Crédit image : Tsuguliev/Shutterstock.com
Les pompiers subissent des traumatismes chroniques et répétés dans leur vie professionnelle, les exposant à un risque élevé de trouble lié à la consommation d'alcool (AUD). Une étude récente publiée dans Frontières en psychiatrie examine l'utilisation d'un cadre multimodal d'apprentissage profond pour évaluer objectivement le risque AUD.
Sommaire
Le stress alimente la dépendance
Les pompiers sont continuellement exposés à des situations d’urgence et à des catastrophes, ce qui entraîne un stress mental important et cumulatif. Les exigences physiques intenses et la tension psychologique de leur travail rendent les pompiers particulièrement vulnérables au développement de troubles de santé mentale, en particulier d'AUD.
Les données épidémiologiques montrent un taux de dépistage des problèmes de santé mentale beaucoup plus élevé parmi le personnel de la sécurité publique que dans la population générale. Une personne sur sept est testée positive pour un ou plusieurs troubles mentaux, tandis qu'environ 27 % en ont deux ou plus.
L’alcool est souvent utilisé comme mécanisme d’adaptation inadapté pour aider à faire face aux traumatismes et au stress. Les pompiers peuvent se tourner vers l’alcool pour un soulagement temporaire, car il peut réduire l’hyperexcitation, les souvenirs ennuyeux et intrusifs d’événements traumatisants et atténuer la détresse émotionnelle. La culture des pompiers normalise la consommation d’alcool lorsqu’ils quittent le service actif, mais décourage également les manifestations de vulnérabilité. Cela conduit à une situation dans laquelle il est à la fois acceptable de boire en tant que pompier, mais honteux d'admettre l'AUD.
Cela empêche les pompiers de demander de l’aide pour leur AUD, ou même de l’admettre, de peur de potentiellement ruiner leur carrière. Pourtant, l'AUD présente un risque sérieux pour les pompiers individuels et leurs équipes, contribuant à des comportements dangereux tels que la conduite en état d'ébriété, des pensées ou des actions suicidaires accrues et une probabilité globale plus élevée d'incidents traumatisants.
Actuellement, le dépistage de l'AUD repose sur l'auto-déclaration au moyen de questionnaires. Cependant, les participants craignent des répercussions sociales et professionnelles ou une perte de leur image s’ils admettent avoir un AUD. Les méthodes de dépistage objectives sont donc préférables, et celles qui ne stigmatisent pas le participant sont particulièrement bénéfiques. Les marqueurs comportementaux et biologiques, tels que l'IRM structurelle et les évaluations neuropsychologiques, sont des outils prometteurs qui font partie de la présente étude.
Ce modèle multimodal a été conçu pour utiliser des données biologiques pour dépister les pompiers en cas de risque élevé d'AUD.
Cartographier les risques grâce aux données
Cette étude sud-coréenne a analysé les données structurelles de neuroimagerie IRM, combinées à des tests neuropsychologiques standardisés, provenant d'une cohorte nationale de 689 pompiers en service actif. Cela en fait la deuxième plus grande étude sur les pompiers pour la modélisation de prédiction AUD. L'âge moyen était de 43 ans, la plupart des participants étant des hommes.
Les pompiers ont bénéficié d’une IRM structurelle pondérée en T1. Ils ont également complété le Grooved Pegboard Test pour évaluer leur coordination visuo-motrice et le Trail Making Test pour évaluer leur fonction exécutive. Ils ont complété le test d'identification des troubles liés à la consommation d'alcool (AUDIT), développé par l'Organisation mondiale de la santé (OMS) pour dépister la dépendance et l'addiction à l'alcool.
Les participants ont été stratifiés entre ceux présentant un risque lié à l'alcool et ceux présentant un risque non alcoolique, représentant respectivement 57 % et 43 %.
L’étude a utilisé un nouveau modèle d’apprentissage automatique qui exploitait les avantages synergiques de l’acquisition de différents types de données. Cela comprenait :
- Réseaux de neurones convolutifs ResNet-50 qui ont extrait les modèles morphologiques du cerveau, couche par couche
- Modules Vision Transformer pour identifier l'anatomie cérébrale à grande échelle, reliant différentes parties les unes aux autres
- Variables cliniques utilisées pour dériver un perceptron multicouche, identifiant des modèles dans les données numériques.
Ce système multimodal, appelé « fusion coopérative », intègre les données cliniques et d’imagerie pour les interpréter de manière cliniquement pertinente. Il combinait les schémas cérébraux et les variations cliniques à travers leurs interactions, permettant ainsi une prédiction plus précise du risque AUD.
L’IA détecte les premiers signes avant-coureurs
Le système multimodal a classé les pompiers à risque d'AUD avec une précision d'environ 80 %. Son pouvoir discriminant était également de 80 %. Cela représente une amélioration de 17 points de pourcentage de la prédiction de l'AUD par rapport à la prédiction clinique uniquement ou à la neuroimagerie uniquement, à environ 62 % chacune.
L’interaction synergique de ces différents types de données explique l’amélioration de la précision, montrant qu’il ne s’agit pas simplement d’un ajout de données supplémentaires. Le modèle a capturé des modèles structurels localisés et globaux à partir des données IRM et les a intégrés efficacement, éliminant ainsi le besoin d'une analyse IRM fonctionnelle (IRMf) plus complexe et exigeante en termes de calcul.
Les tests neuropsychologiques ont également constitué un substitut satisfaisant à la fonction neurologique, compensant ainsi le manque d'IRMf.
L'utilisation de la neuroimagerie seule a conduit à des modèles d'activation aléatoires, indiquant que l'AUD précoce produit des changements trop subtils et diffus pour fournir suffisamment de discrimination pour classer avec précision le risque d'AUD.
À l’inverse, l’utilisation uniquement des caractéristiques cliniques a conduit à utiliser le sexe et la coordination motrice comme marqueurs prédictifs les plus importants. Le test Grooved Pegboard a révélé des changements sensibles dans la main non dominante, indiquant des signes précoces de dommages neurologiques avec l'AUD.
Des analyses d'interprétabilité de modèles telles que la cartographie d'activation de classe pondérée par gradient (Grad-CAM) et les explications additives SHapley (SHAP) ont en outre montré que les modèles d'imagerie unimodaux produisaient des modèles d'activation diffus et non spécifiques. En revanche, le modèle multimodal intégré a identifié des modèles clairs et biologiquement significatifs, mettant en évidence la coordination sexuelle et motrice comme caractéristiques prédictives clés.
Encore une fois, les résultats soulignent l'importance des modèles de risque spécifiques au sexe pour l'AUD chez les pompiers. On sait que les voies de dégradation de l’alcool, la neurotoxicité de l’alcool et le risque de dépendance varient selon le sexe.
Les chercheurs ont également évalué l'étalonnage du modèle et les analyses de courbe de décision, montrant que l'approche multimodale maintenait à la fois la précision et la valeur clinique sur un large éventail de probabilités de seuil. Il a systématiquement surpassé les modèles à modalité unique en réduisant les faux positifs et les faux négatifs, alors que la précision des modèles uniquement cliniques et de neuroimagerie uniquement diminuait à des seuils plus élevés.
Cela indique que ce modèle d’apprentissage automatique relativement simple est pertinent pour une utilisation clinique. Il s’agit d’une avancée importante, étant donné que la complexité de l’IRMf a constitué un inconvénient pour l’applicabilité clinique des approches multimodales. Il se compare favorablement aux recherches antérieures combinant l’IRM structurelle et fonctionnelle pour classer les participants selon un diagnostic psychiatrique.
Une voie plus sûre vers la prévention
La présente étude présente un nouveau cadre d'apprentissage automatique multimodal qui combine la neuroimagerie structurelle avec des tests neuropsychologiques de la fonction spécifique de l'AUD. Cela a fourni de meilleures performances de classification par rapport aux protocoles cliniques uniquement ou à la neuroimagerie uniquement. Cela réduit les ressources de calcul et le temps d’acquisition d’images.
Le modèle multimodal ResNet-50 + ViT + MLP a largement surpassé les modèles cliniques uniquement et les modèles uniquement d'images.
Des études plus vastes sont nécessaires pour affiner cette approche, augmentant ainsi la précision et évitant des interventions inutiles en matière de carrière. À l’heure actuelle, elle est mieux adaptée à la prévision des risques actuels qu’aux prévisions prospectives, compte tenu du taux d’erreur de classification de 20 %.
Des études de rentabilité sont également nécessaires. À l’heure actuelle, il faudrait 150 écrans pour prévenir un incident professionnel grave à des niveaux rentables. Cela ne tient pas compte des effets en cascade, tels que la prévention des risques et des blessures professionnels, une sécurité accrue, une moindre exposition à la responsabilité, une productivité et une préparation opérationnelle plus élevées.
Cependant, cela offre «une voie pragmatique pour la mise en œuvre d'un dépistage objectif de l'AUD dans les populations professionnelles à haut risque avec des implications plus larges pour la stratification du risque psychiatrique dans les professions exposées aux traumatismes.» Des protocoles de dépistage plus courts pourraient être utilisés lors des tests médicaux de routine pour maintenir l’exactitude tout en améliorant la faisabilité et l’applicabilité, au-delà des pompiers et d’autres professionnels à haut risque.
Téléchargez votre copie PDF maintenant !
