L’utilisation de l’intelligence artificielle et du traitement du langage naturel pour les interventions en santé mentale

Dans un article récent publié dans Psychiatrie translationnelle, les chercheurs ont effectué une revue systémique et une méta-analyse d’articles scientifiques à l’aide d’un outil basé sur l’intelligence artificielle (IA) qui utilise le traitement du langage naturel (NLP) pour examiner les interventions en santé mentale (MHI).

Étude: Traitement du langage naturel pour les interventions en santé mentale : une revue systématique et un cadre de recherche. Crédit d’image : MMD Creative/Shutterstock.com

Arrière-plan

À l’échelle mondiale, les troubles neuropsychiatriques, tels que la dépression et l’anxiété, représentent un fardeau économique important pour les systèmes de santé. On estime que le fardeau financier des maladies mentales atteindra six mille milliards de dollars par an d’ici 2030.

De nombreux ICM, notamment comportementaux, psychosociaux, pharmacologiques et télémédecine, semblent efficaces pour promouvoir le bien-être des personnes concernées. Cependant, leurs problèmes systémiques inhérents limitent leur efficacité et leur capacité à répondre à une demande croissante.

De plus, le personnel clinique est rare, nécessite une formation approfondie pour les évaluations de la santé mentale, la qualité des traitements disponibles est variable et les pratiques actuelles d’assurance qualité ne peuvent pas gérer l’ampleur de l’effet réduite des ICM répandus.

Compte tenu de la faible qualité des ICM, en particulier dans les pays en développement, il est nécessaire de mener davantage de recherches sur le développement d’outils, en particulier d’outils basés sur l’apprentissage automatique, qui facilitent le diagnostic et le traitement de la santé mentale.

La PNL facilite l’étude quantitative des transcriptions de conversations et des dossiers médicaux de milliers de patients en un rien de temps. Il transforme les mots en représentations numériques et graphiques, une tâche auparavant considérée comme insondable. Plus important encore, il pourrait examiner les caractéristiques des prestataires et des patients afin de détecter des tendances significatives dans de vastes ensembles de données.

Les plateformes de santé numérique ont rendu les données MHI plus facilement accessibles, permettant aux outils de PNL d’effectuer de nombreuses analyses liées à l’étude de la fidélité au traitement, des résultats pour les patients, des composants du traitement, de l’alliance thérapeutique et de l’évaluation du risque de suicide.

Enfin, la PNL pourrait analyser les données des réseaux sociaux et les dossiers de santé électroniques (DSE) dans des contextes liés à la santé mentale.

Bien que la PNL ait montré un potentiel de recherche, la séparation actuelle entre les chercheurs cliniques et informatiques a limité son impact sur la pratique clinique.

Ainsi, même si l’utilisation de l’apprentissage automatique dans le domaine de la santé mentale a augmenté, les cliniciens n’ont pas inclus les manuscrits évalués par des pairs issus de conférences sur l’IA faisant état des progrès de la PNL.

À propos de l’étude

Dans la présente étude, les chercheurs ont classé les méthodes de PNL déployées pour étudier l’IMH, identifié les domaines cliniques et les ont utilisées pour regrouper les résultats de la PNL.

Ils ont examiné les principales caractéristiques du pipeline PNL dans chaque manuscrit, notamment les représentations linguistiques, les progiciels, les méthodes de classification et de validation. De même, ils ont évalué ses paramètres cliniques, ses objectifs, l’origine du relevé de notes, les mesures cliniques, les vérités terrain et les évaluateurs.

De plus, les chercheurs ont évalué les études PNL-MHI pour identifier les domaines communs, les biais et les lacunes dans les connaissances dans l’application de la PNL à la MHI afin de proposer un cadre de recherche qui pourrait aider les chercheurs informatiques et cliniques à améliorer l’utilité clinique de ces outils.

Ils ont examiné des articles sur les bases de données Pubmed, PsycINFO et Scopus pour identifier les études axées uniquement sur la PNL pour d’humain à humain MHI pour l’évaluation de la santé mentale, par exemple la psychothérapie, l’évaluation des patients, le traitement psychiatrique, le conseil en cas de crise, pour n’en nommer que quelques-uns.

En outre, les chercheurs ont recherché des conférences sur l’IA évaluées par des pairs (par exemple, l’Association for Computational Linguistics) via ArXiv et Google Scholar.

Ils ont compilé des articles répondant à cinq critères :

i) étaient des études empiriques originales ;

ii) publié en anglais ;

iii) évalué par les pairs ;

iv) axé sur l’ICM ; et

v) analysé les données textuelles récupérées par MHI (par exemple, transcriptions).

Résultats

L’échantillon final comprenait 102 études, impliquant principalement des essais contrôlés randomisés (ECR) en face-à-face, des traitements conventionnels et des corpus thérapeutiques collectés.

Près de 54 % de ces études ont été publiées entre 2020 et 2022, ce qui suggère une augmentation des méthodes basées sur la PNL pour les applications MHI.

Six catégories cliniques ont émergé dans la revue : deux et deux pour les patients et les prestataires, respectivement, et deux pour les interactions patient-prestataire.

Il s’agissait de la présentation clinique, de la réponse à l’intervention (pour les patients), du suivi de l’intervention, des caractéristiques des prestataires (pour les cliniciens), de la dynamique relationnelle et des sujets de conversation (interaction). Ils ont tous agi simultanément en tant que facteurs dans tous les résultats du traitement.

Alors que les cliniciens ont fourni des évaluations de la vérité terrain pour 31 études, les patients l’ont fait au moyen de mesures d’auto-évaluation du retour d’information sur les symptômes et d’évaluations de l’alliance thérapeutique pour 22 études. La source la plus répandue d’informations sur les prestataires/patients était les annotations des codes de compétences en entretien motivationnel (MISC).

De multiples approches de PNL ont émergé, reflétant le développement temporel des outils de PNL. Il montre la croissance et les transformations des conversations patient-prestataire concernant les représentations linguistiques. Les intégrations de mots ont été les plus utilisées pour la représentation linguistique, c’est-à-dire dans 48 % des études.

Les deux fonctionnalités les plus répandues du modèle PNL étaient les lexiques et l’analyse des sentiments, comme en témoigne leur utilisation dans 43 et 32 ​​études. Ces derniers ont généré des scores caractéristiques pour les émotions (par exemple, la joie) dérivés de méthodes basées sur le lexique.

Finalement, les réseaux de neurones profonds sensibles au contexte ont remplacé les méthodes de comptage de mots et de lexique basées sur la fréquence dans les modèles PNL. Au total, 16 études ont également utilisé la modélisation thématique pour identifier des thèmes communs dans les transcriptions cliniques.

Après le contenu linguistique, les caractéristiques acoustiques sont apparues comme une source prometteuse de données sur le traitement, avec 16 études examinant celles-ci à partir du discours des patients et des prestataires.

Les auteurs ont noté que la recherche dans ce domaine a montré d’immenses progrès dans les diagnostics de santé mentale et les spécifications de traitement. Il a également permis d’identifier remarquablement la qualité des thérapeutiques pour le patient.

En conséquence, ils ont proposé d’intégrer ces contributions distinctives dans un cadre (NLPxMHI) qui a aidé les chercheurs informatiques et cliniques à collaborer et ont décrit de nouvelles applications de la PNL pour les innovations dans les services de santé mentale.

Seules 40 études ont rapporté des informations démographiques pour l’ensemble de données utilisé. Ainsi, les auteurs ont recommandé que les chercheurs du NLPxMHI documentent les données démographiques de tous les individus participant à la formation et à l’évaluation de leurs modèles.

En outre, ils ont souligné le suréchantillonnage des groupes sous-représentés pour aider à lutter contre les préjugés et à améliorer la représentativité des modèles PNL.

En outre, ils ont recommandé de représenter le traitement sous forme d’actions séquentielles pour améliorer la précision des études d’intervention, en soulignant l’importance du timing et du contexte pour enrichir les effets bénéfiques. L’intégration des catégories cliniques identifiées dans un modèle unifié pourrait également aider les enquêteurs à accroître la richesse des recommandations thérapeutiques.

Moins d’études examinées ont mis en œuvre des techniques pour améliorer l’interprétabilité. Cela a probablement empêché les enquêteurs d’interpréter les dans l’ensemble comportement des modèles NLP (sur toutes les entrées).

Néanmoins, la collaboration continue entre les domaines cliniques et informatiques comblera lentement le fossé entre l’interprétabilité et l’exactitude grâce à l’examen clinique, au réglage du modèle et à la généralisabilité. À l’avenir, cela pourrait contribuer à définir des règles de décision valides en matière de traitement et à tenir la promesse d’une médecine de précision.

Conclusions

Dans l’ensemble, les méthodes PNL ont le potentiel d’opérationnaliser l’IMH. Ses applications de validation de principe se sont révélées prometteuses pour relever les défis systémiques.

Cependant, comme le cadre NLPxMHI relie les conceptions et les disciplines de recherche, il nécessiterait également la prise en charge de grands ensembles de données sécurisés, un langage commun et des contrôles d’équité pour des progrès continus.

Les auteurs prévoient que cela pourrait révolutionner les évaluations et les traitements des maladies mentales.