Une équipe de chercheurs a formé trois modèles d’apprentissage automatique – régression logistique, forêt aléatoire et machine à vecteurs de support (SVM) – pour classer les travailleurs de la santé en fonction de leur niveau de résilience psychosociale, en utilisant les informations recueillies pendant la pandémie de COVID-19. Le modèle de régression logistique a produit les résultats les plus précis, avec une précision de 75,6 % et une aire sous la courbe ROC de 0,816, surpassant Random Forest (72,6 %) et Support Vector Machine (70,8 %). L’étude a été publiée dans la revue Découvrez l’intelligence artificielle.
Contrairement à la plupart des études sur la santé mentale des travailleurs de la santé, qui se concentrent sur l’épuisement professionnel et d’autres conséquences négatives, cette recherche visait à prédire la capacité d’une personne à faire face activement au stress.
Pour former les modèles, l’équipe a utilisé l’ensemble de données « How Right Now Mental Health & Coping », collecté par NORC à l’Université de Chicago entre 2021 et 2022, comprenant 2 055 répondants aux États-Unis. Les chercheurs ont construit un indice de résilience basé sur quatre variables psychométriques (résilience, capacité de rebond, contrôle et confiance) et l’ont divisé en deux niveaux, haut et bas, en utilisant la médiane comme seuil.
Les résultats montrent que le stress, avec un poids de 0,182 dans le modèle, la dépression (0,160) et l’anxiété (0,145) sont les prédicteurs les plus puissants d’une faible résilience, suivis du désespoir et des changements dans le sommeil. Les stratégies d’adaptation (recherche de soutien social, loisirs, prière et méditation) avaient un poids moindre dans le modèle mais étaient associées à une plus grande résilience. Leur effet semble être cumulatif ; en d’autres termes, les répondants qui ont déclaré utiliser plusieurs stratégies simultanément ont obtenu, en moyenne, des scores plus élevés que ceux qui n’en ont utilisé qu’une seule.
Les auteurs notent que les données représentent un moment unique, sont basées sur les auto-évaluations des participants et proviennent d’une population américaine. Ces facteurs limitent la mesure dans laquelle les conclusions peuvent être appliquées à d’autres systèmes de santé, y compris ceux d’Amérique latine. Ils proposent donc que la prochaine étape soit de valider le modèle auprès des professionnels de santé latino-américains et d’incorporer d’autres mesures, telles que des données sur le sommeil ou des indicateurs physiologiques.
Les auteurs suggèrent également que de tels modèles, basés sur les données existantes, pourraient être utilisés par les services de santé au travail pour identifier les personnes à risque à un stade précoce, sans recourir à des systèmes complexes d’intelligence artificielle.
