Au cours des dernières années, la gestion de sa santé mentale est devenue une priorité avec un accent accru sur les soins personnels. La dépression à elle seule touche plus de 300 millions de personnes dans le monde chaque année. Reconnaissant cela, il existe un intérêt considérable à tirer parti des appareils portables populaires pour surveiller la santé mentale d’un individu en mesurant des marqueurs tels que les niveaux d’activité, le sommeil et la fréquence cardiaque.
Une équipe de chercheurs de l’Université de Washington à St. Louis et de l’Université de l’Illinois à Chicago a utilisé les données d’appareils portables pour prédire les résultats du traitement de la dépression chez les personnes ayant participé à un essai clinique randomisé. Ils ont développé un nouveau modèle d’apprentissage automatique qui analyse les données de deux groupes de patients ; ceux choisis au hasard pour recevoir un traitement et ceux qui n’ont pas reçu de traitement – ; au lieu de développer un modèle séparé pour chaque groupe. Ce modèle multitâche unifié est une étape vers la médecine personnalisée, dans laquelle les médecins conçoivent un plan de traitement spécifique aux besoins de chaque patient et prédisent les résultats en fonction des données d’un individu.
Les résultats de la recherche ont été publiés dans le Actes de l’ACM sur les technologies interactives, modélisées, portables et omniprésentes et sera présenté à la conférence UbiComp 2022 en septembre.
Chenyang Lu, professeur Fullgraf à la McKelvey School of Engineering, a dirigé une équipe comprenant Ruixuan Dai, qui a travaillé dans le laboratoire de Lu en tant que doctorant et est maintenant ingénieur logiciel chez Google ; Thomas Kannampallil, professeur agrégé d’anesthésiologie et directeur associé de l’information sur la recherche à l’École de médecine et professeur agrégé d’informatique et d’ingénierie à McKelvey Engineering ; et Jun Ma, MD, PhD, professeur de médecine à l’Université de l’Illinois à Chicago (UIC); et ses collègues pour développer le modèle en utilisant les données d’un essai clinique randomisé mené par l’UIC avec environ 100 adultes souffrant de dépression et d’obésité.
« La thérapie comportementale intégrée peut être coûteuse et prendre du temps », a déclaré Lu. « Si nous pouvons faire des prédictions personnalisées pour les individus sur la probabilité qu’un patient réponde à un traitement particulier, alors les patients ne peuvent poursuivre le traitement que si le modèle prédit que leur état s’améliorera probablement avec le traitement mais moins probablement sans traitement. des prédictions personnalisées de la réponse au traitement faciliteront une thérapie plus ciblée et plus rentable. »
Dans l’essai, les patients ont reçu des bracelets Fitbit et des tests psychologiques. Environ les deux tiers des patients ont reçu une thérapie comportementale, et les autres patients n’en ont pas reçu. Les patients des deux groupes étaient statistiquement similaires au départ, ce qui a donné aux chercheurs des règles du jeu équitables à partir desquelles discerner si le traitement conduirait à de meilleurs résultats sur la base de données individuelles.
Les essais cliniques de thérapies comportementales impliquaient souvent des cohortes relativement petites en raison du coût et de la durée de ces interventions. Le petit nombre de patients a créé un défi pour un modèle d’apprentissage automatique, qui fonctionne généralement mieux avec plus de données. Cependant, en combinant les données des deux groupes, le modèle pourrait apprendre d’un ensemble de données plus large, qui capturait les différences entre ceux qui avaient suivi un traitement et ceux qui ne l’avaient pas fait. Ils ont constaté que leur modèle multitâche prédisait mieux les résultats de la dépression qu’un modèle examinant chacun des groupes séparément.
« Nous avons lancé un cadre multitâche, qui combine le groupe d’intervention et le groupe témoin dans un essai contrôlé randomisé pour former conjointement un modèle unifié pour prédire les résultats personnalisés d’un individu avec et sans traitement », a déclaré Dai, qui a obtenu un doctorat en informatique. science en 2022. « Le modèle a intégré les caractéristiques cliniques et les données portables dans une architecture multicouche. Cette approche évite de diviser les cohortes d’étude en petits groupes pour les modèles d’apprentissage automatique et permet un transfert de connaissances dynamique entre les groupes pour optimiser les performances de prédiction pour les deux avec et sans intervention. »
Les implications de cette approche basée sur les données s’étendent au-delà des essais cliniques randomisés à la mise en œuvre dans la prestation de soins cliniques, où la capacité de faire des prédictions personnalisées des résultats des patients en fonction du traitement reçu, et de le faire tôt et tout au long du traitement, pourrait informer de manière significative prise de décision partagée par le patient et le médecin traitant afin d’adapter le plan de traitement pour ce patient. »
Jun Ma, MD, PhD, professeur de médecine, Université de l’Illinois à Chicago
L’approche d’apprentissage automatique fournit un outil prometteur pour construire des modèles prédictifs personnalisés basés sur des données collectées à partir d’essais contrôlés randomisés. À l’avenir, l’équipe prévoit de tirer parti de l’approche d’apprentissage automatique dans un nouvel essai contrôlé randomisé d’interventions comportementales de télésanté utilisant des bracelets Fitbit et des balances de poids chez des patients dans une étude d’intervention de perte de poids.
