Les chercheurs de l’UW Medicine ont découvert que les algorithmes sont aussi efficaces que les évaluateurs humains formés pour identifier le langage du drapeau rouge dans les messages texte de personnes atteintes de maladie mentale grave. Cela ouvre un domaine d’étude prometteur qui pourrait aider à la formation en psychiatrie et à la rareté des soins.
Les résultats ont été publiés fin septembre dans la revue Psychiatric Services.
Les SMS font de plus en plus partie des soins et de l’évaluation en santé mentale, mais ces interventions psychiatriques à distance peuvent manquer des points de référence émotionnels que les thérapeutes utilisent pour naviguer dans les conversations en personne avec les patients.
L’équipe de recherche, basée au Département de psychiatrie et des sciences du comportement, a utilisé pour la première fois le traitement du langage naturel pour aider à détecter et à identifier les messages texte qui reflètent des « distorsions cognitives » qui pourraient échapper à un clinicien sous-formé ou surmené. La recherche pourrait également éventuellement aider davantage de patients à trouver des soins.
Lorsque nous rencontrons des gens en personne, nous avons tous ces contextes différents. Nous avons des repères visuels, nous avons des repères auditifs, des choses qui ne sortent pas dans un message texte. Ce sont des choses sur lesquelles nous sommes formés pour nous appuyer. L’espoir ici est que la technologie puisse fournir un outil supplémentaire aux cliniciens pour élargir les informations sur lesquelles ils s’appuient pour prendre des décisions cliniques. »
Justin Tauscher, auteur principal de l’article et professeur adjoint par intérim, faculté de médecine de l’Université de Washington
L’étude a examiné des milliers de messages texte uniques et spontanés entre 39 personnes atteintes de maladie mentale grave et ayant des antécédents d’hospitalisation et leurs prestataires de soins de santé mentale. Les évaluateurs humains ont noté les textes pour plusieurs distorsions cognitives comme ils le feraient généralement dans le cadre des soins aux patients. Les évaluateurs recherchent un langage subtil ou manifeste qui suggère que le patient généralise à l’excès, catastrophise ou saute aux conclusions, qui peuvent tous être des indices de problèmes.
Les chercheurs ont également programmé des ordinateurs pour effectuer la même tâche de notation des textes et ont constaté que les humains et l’IA obtenaient des notes similaires dans la plupart des catégories étudiées.
« Je pense que pouvoir disposer de systèmes qui peuvent aider à soutenir la prise de décision clinique est extrêmement pertinent et potentiellement percutant pour les personnes sur le terrain qui manquent parfois d’accès à la formation, parfois n’ont pas accès à la supervision ou parfois aussi sont simplement fatiguées, surmenées et brûlées sortir et ont du mal à rester présents dans toutes les interactions qu’ils ont », a déclaré Tauscher, qui est venu à la recherche après une décennie dans un cadre clinique.
Le soutien des cliniciens serait un avantage immédiat, mais les chercheurs voient également de futures applications qui fonctionnent en parallèle avec un bracelet de fitness portable ou un système de surveillance par téléphone. Dror Ben-Zeev, directeur du UW Behavioral Research in Technology and Engineering Center et co-auteur de l’article, a déclaré que la technologie pourrait éventuellement fournir une rétroaction en temps réel qui signalerait à un thérapeute des problèmes imminents.
« De la même manière que vous obtenez un niveau d’oxygène dans le sang, une fréquence cardiaque et d’autres entrées », a déclaré Ben-Zeev, « nous pourrions obtenir une note indiquant que le patient saute aux conclusions et catastrophise. Juste la capacité de attirer l’attention sur un schéma de pensée est quelque chose que nous envisageons à l’avenir. Les gens auront ces boucles de rétroaction avec leur technologie où ils obtiendront un aperçu d’eux-mêmes.
Ce travail a été soutenu par le Garvey Institute for Brain Health Solutions de la faculté de médecine de l’Université de Washington, le National Institute of Mental Health (R56-MH-109554) et la National Library of Medicine (T15-LM-007442).
