Dans une étude récente publiée dans le Médecine naturelle journal, les chercheurs ont évalué l’efficacité du modèle d’apprentissage automatique dans la prédiction des 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 du nombre élevé de problèmes de santé mentale répandus 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 pendant une durée de 28 jours.
L’équipe a développé un outil prédictif pour aider les travailleurs de la santé à rationaliser 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 la cible de prédiction avec l’approche orientée service afin de définir une crise comme une apparition de symptômes nécessitant l’intervention de ressources de santé. L’équipe a généré un ensemble de données qui comprenait des événements de crise enregistrés chaque fois qu’un patient avait un besoin urgent de services de crise en santé mentale, y compris l’hospitalisation, l’évaluation d’urgence du patient, l’évaluation du traitement à domicile ou l’admission à l’hôpital.
De plus, la cible de prédiction a été définie 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 entière stable sans survenue d’aucun événement de crise. En conséquence, l’équipe a configuré le modèle d’apprentissage automatique pour prévoir le début du premier événement de crise dans un épisode dans la durée des 28 jours suivants.
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 caractéristiques pour la tâche de modélisation. Les modèles sont entraînés, ajustés et sélectionnés sur la base des données de la période 2012-2019. Le système prédit le risque d’apparition d’une crise dans les 28 prochains jours (l’algorithme est interrogé chaque semaine pour chaque patient). Les patients présentant le risque prédit le plus élevé sont affichés sur le tableau de bord remis aux cliniciens accompagnés d’indicateurs clés, de notes patient et d’un formulaire de questionnaire sur chaque patient, que le clinicien remplit. Les icônes de cette figure ont été créées par Freepik de www.flaticon.com. IP, hospitalisation.
L’équipe a conçu le modèle d’apprentissage automatique de manière à permettre des requêtes chaque semaine pour 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 par la Classification internationale des maladies 10 (CIM-10) ; (2) évaluations et interactions disponibles avec l’hôpital (3) variables représentant la durée écoulée 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) à deux facteurs de référence, à savoir le modèle de référence basé sur la pratique clinique et le diagnostic. 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 crise mentale qui étaient transmis toutes les deux semaines aux cliniciens praticiens. Ceci a été réalisé en interrogeant le modèle pour organiser les patients par ordre décroissant selon le PRS du patient.
Quatre diagrammes de force représentatifs, illustrant comment les caractéristiques ont contribué à la prédiction pour quatre points de données spécifiques. De haut en bas : Patient ne faisant pas de crise au cours des quatre prochaines semaines (cible = 0), le modèle a attribué une valeur de prédiction de 0,178. Le patient n’allant pas avoir de crise au cours des quatre prochaines semaines (cible = 0), le modèle a attribué une valeur de prédiction de 0,129. Le patient va avoir une crise au cours des quatre prochaines semaines (cible = 1), le modèle a attribué une valeur de prédiction de 0,792. Le patient 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 entre septembre 2012 et novembre 2018. Les patients du groupe ont été diagnostiqués avec de nombreux troubles, notamment de l’humeur, organiques, névrotiques, psychotiques et de la personnalité. troubles. L’ensemble de données comprenait également 60 388 épisodes de crise, avec une moyenne de 24 événements de crise par épisode.
Les résultats de l’étude ont montré que le modèle général fonctionnait significativement mieux dans le cas de troubles organiques avec une aire 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 générales et globales se situaient respectivement entre 0,770 et 0,814. L’équipe a observé 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 affiché de meilleures performances que le modèle général.
L’équipe a également évalué la performance du modèle général en termes de groupes d’âge des patients. Pour les patients âgés de moins de 18 ans, la performance générale du modèle a diminué à 0,743, tandis que pour ceux âgés de 65 à 74 ans, la performance est passée à 0,840. Notamment, des performances similaires ont été observées pour 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 la présente étude peut motiver les prestataires de soins de santé mentale à passer des soins réactifs aux soins préventifs.
