Dans une étude récente publiée dans le eBioMédecine, un groupe de chercheurs a prédit la gravité des symptômes dépressifs (DSS) (intensité ou degré des symptômes dépressifs qu'un individu ressent) en utilisant l'anxiété, la qualité du sommeil et des mesures structurelles du cerveau tout en testant la généralisabilité des résultats sur trois ensembles de données indépendants.
Étude : Prédiction de la gravité des symptômes dépressifs en fonction de la qualité du sommeil, de l'anxiété et du volume de matière grise : une approche d'apprentissage automatique généralisable sur trois ensembles de donnéesCrédit photo : WPixz/Shutterstock.com
Sommaire
Arrière-plan
Environ 25 % de la population des sociétés modernes souffre de symptômes dépressifs, qui s’aggravent au fil du temps et peuvent conduire à un trouble dépressif majeur (TDM) dans les 15 ans. Une détection précoce est essentielle pour réduire les taux de dépression.
Les troubles du sommeil, en particulier l’insomnie, sont liés à la dépression, mais la relation est complexe en raison des différences individuelles en matière de génétique, d’anxiété et de réponses au stress.
Des recherches supplémentaires sont nécessaires pour mieux comprendre les interactions entre le sommeil, l’anxiété, la structure du cerveau et les symptômes dépressifs et pour améliorer la précision et la généralisabilité des modèles prédictifs dans diverses populations.
À propos de l'étude
L'ensemble de données du Human Connectome Project (HCP)-Young, acquis par le consortium Washington University-University of Minnesota (WU-Minn HCP), comprend de jeunes adultes en bonne santé âgés de 22 à 35 ans, à l'exclusion de ceux souffrant actuellement de troubles neurologiques, psychiatriques, cardiovasculaires, de toxicomanie ou de traitements.
L'étude a sélectionné 1 101 personnes disposant de données complètes d'imagerie par résonance magnétique structurelle (IRM), de qualité du sommeil, d'anxiété et de symptômes dépressifs parmi 1 206 participants. Une analyse secondaire a exclu les personnes ayant des antécédents de dépression clinique. L'ensemble de données HCP-Aging a recruté des adultes âgés de 36 à plus de 100 ans, mais en raison de la conception du questionnaire DSS, seuls les participants âgés de 36 à 59 ans ont été inclus.
Enfin, l’ensemble de données de l’Enhanced Nathan Kline Institute (eNKI), un échantillon représentatif de la communauté, a fourni des données transversales et longitudinales pour les participants âgés de 18 à 59 ans. Cela a permis aux chercheurs d’évaluer la généralisabilité des modèles d’apprentissage automatique et de prédire les futurs DSS en fonction des mesures de base du sommeil et de l’anxiété.
Les approbations éthiques pour chaque cohorte sont disponibles en ligne, avec une autorisation d'analyse accordée par l'hôpital universitaire de l'université Heinrich-Heine de Düsseldorf.
Les données ont été traitées à l'aide de techniques avancées de neuroimagerie et d'apprentissage automatique, en se concentrant sur le volume de matière grise et les prédicteurs neurocomportementaux. Les prédictions ont été testées sur des ensembles de données indépendants pour valider les modèles.
Les analyses de médiation ont exploré plus en détail les relations entre la qualité du sommeil, l’anxiété et le DSS, contribuant ainsi à clarifier la manière dont les facteurs cérébraux et comportementaux contribuent aux symptômes dépressifs dans les populations.
Résultats de l'étude
L'ensemble de données principal utilisé dans cette étude, HCP-Young, comprenait 1 101 participants âgés de 22 à 35 ans (âge moyen = 28,79 ± 3,69), dont 54,3 % de femmes. Notamment, 9 % (103 personnes) avaient des antécédents d'épisodes de dépression basés sur le Manuel diagnostique et statistique des troubles mentaux, quatrième édition (DSM-IV).
L'étude a utilisé deux ensembles de données supplémentaires pour la validation hors cohorte : HCP-Aging et eNKI. L'ensemble de données HCP-Aging comprenait 378 participants âgés de 36 à 59 ans (âge moyen = 47,3 ± 7), dont 57,9 % de femmes. L'ensemble de données eNKI comprenait 334 participants avec des données transversales, âgés de 18 à 59 ans (âge moyen = 37 ± 13,8), et 62 % étaient des femmes.
De plus, 66 participants de l'étude eNKI disposaient de dossiers longitudinaux, avec un intervalle de 1 à 5 ans entre leurs deux visites. Parmi ceux-ci, 26 participants ont reçu une thérapie de neurofeedback entre leurs visites, avec un intervalle de 653 jours en moyenne, tandis que 40 participants sans thérapie avaient un intervalle de 847 jours.
Dans l'ensemble de données HCP-Young, les modèles d'apprentissage automatique (ML) utilisant la qualité du sommeil ont pu prédire le DSS (r = 0,43, R2 = 0,18, rMSE = 2,73). L'ajout de l'anxiété à la qualité du sommeil a amélioré la prédiction de manière significative (r = 0,67, R2 = 0,45, rMSE = 2,25), tandis que l'ajout du volume de matière grise (GMV) n'a pas amélioré les résultats.
L'étude n'a trouvé aucune redondance de caractéristiques parmi les scores de qualité du sommeil, et l'apprentissage d'ensemble (LS-boost) a été automatiquement sélectionné pour tous les modèles. La suppression des participants ayant des antécédents de dépression a donné des résultats tout aussi robustes (r = 0,61, R2 = 0,37, rMSE = 2,18).
Les composantes liées au sommeil, telles que le dysfonctionnement diurne, les troubles du sommeil et la qualité subjective du sommeil, étaient les plus prédictives du syndrome de stress post-traumatique. Il est important de noter que les prédictions inverses (syndrome de stress post-traumatique prédisant la qualité du sommeil) étaient plus faibles, ce qui suggère que la qualité du sommeil est un meilleur prédicteur du syndrome de stress post-traumatique que l'inverse.
L’étude a également reproduit ses résultats dans les ensembles de données HCP-Aging et eNKI, démontrant la généralisabilité des modèles ML formés sur l’ensemble de données HCP-Young.
Dans l'ensemble de données HCP-Aging, la qualité du sommeil prédisait le DSS (r = 0,57, R2 = 0,27, rMSE = 2,64), l'ajout de l'anxiété améliorant encore la prédiction (r = 0,72, R2 = 0,50, rMSE = 2,19). Des résultats similaires ont été trouvés dans l'ensemble de données eNKI.
Dans le sous-échantillon longitudinal eNKI, les modèles ML ont prédit le DSS futur en fonction de la qualité du sommeil et de l'anxiété de base, mais la thérapie par neurofeedback semble diminuer cette prévisibilité. Cela suggère que des interventions comme la thérapie par neurofeedback pourraient modifier la relation entre la qualité du sommeil et le DSS au fil du temps.
Conclusions
En résumé, les résultats ont démontré que la qualité du sommeil pouvait prédire de manière fiable le DSS dans trois ensembles de données indépendants. L’ajout de l’anxiété au modèle a encore amélioré la précision prédictive. Cependant, les mesures structurelles et fonctionnelles du cerveau n’ont pas permis de prédire de manière significative le DSS ni de déterminer la relation entre la qualité du sommeil et le DSS.
Les modèles ML ont donné des résultats similaires sur des ensembles de données indépendants, soulignant la généralisabilité de l’approche.
Dans un sous-échantillon longitudinal, les modèles ont également réussi à prédire avec succès les DSS futurs en fonction de la qualité du sommeil de base et de l'anxiété. Des analyses complémentaires ont confirmé la robustesse de ces résultats, en prenant en compte des variables telles que les antécédents de dépression, les facteurs de confusion liés au sommeil et le rôle médiateur de l'anxiété.
