Une récente Recherche en santé mentale npj L’article passe en revue les recherches actuelles sur la manière dont les dernières méthodes informatiques utilisant les caractéristiques faciales, acoustiques et sémantiques sont déployées pour prédire les troubles dépressifs majeurs.
Étude: Une revue systématique sur le diagnostic clinique automatisé de la dépression. Crédit d’image : meeboonstudio/Shutterstock.com
Sommaire
Arrière-plan
On estime actuellement qu’environ 280 millions de personnes dans le monde souffrent de dépression. Traditionnellement, des entretiens semi-structurés sont utilisés pour évaluer la dépression ; cependant, cette méthode est subjective et sensible aux préjugés et à la stigmatisation sociale.
De plus, la stigmatisation sociale et la pénurie de professionnels qualifiés font qu’il est difficile pour les patients de demander de l’aide, en particulier dans les pays à revenu faible ou intermédiaire. Ainsi, un outil automatisé d’évaluation de la dépression pourrait offrir un diagnostic objectif de la dépression.
Améliorer la qualité des données liées à la santé mentale est une façon d’améliorer l’objectivité de l’évaluation de la dépression. L’analyse de ces données à l’aide de capteurs et de méthodes d’apprentissage automatique pourrait également apporter une immense valeur ajoutée.
Par exemple, les biomarqueurs de la dépression pourraient être détectés à l’aide de capteurs mesurant d’autres signaux biologiques tels que la fréquence cardiaque. L’apprentissage automatique peut permettre aux praticiens de poser des diagnostics corrects, de détecter les personnes à haut risque et de surveiller les symptômes au fil du temps.
À propos de l’étude
L’article de synthèse actuel examine la recherche sur la manière dont les méthodes informatiques sont utilisées pour identifier les troubles dépressifs. Les lignes directrices PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analysis) ont été utilisées pour garantir une évaluation approfondie et rigoureuse des résultats documentés au cours des dix dernières années. Google Scholar a été utilisé comme moteur de recherche.
Les articles manquant de résultats détaillés ou de méthodologie complète ont été exclus. De plus, les articles liés à l’autisme, à la maladie de Parkinson (MP) et aux surdoses de substances ont été exclus.
Des informations spécifiques ont été synthétisées à partir des articles, notamment la tranche d’âge, les troubles mentaux, les meilleurs paramètres, le nombre de sujets, les caractéristiques prédictives et le type de validation.
Les principaux objectifs de la présente étude sont d’examiner et de résumer les résultats des dernières recherches, d’identifier les différences notables dans les caractéristiques sémantiques, acoustiques et visuelles, de les corréler aux symptômes de la dépression et d’identifier les défis associés à l’évaluation automatisée de la dépression.
Principales conclusions
Au total, 264 articles ont été inclus dans cette revue. L’extraction automatisée des caractéristiques vocales a été utilisée dans la plupart des études pour évaluer le trouble dépressif majeur.
La plupart des modèles prédisent que les performances pourraient ne pas être généralisables, car elles dépendent de divers facteurs, notamment la taille de l’échantillon et l’ingénierie des fonctionnalités. En ce qui concerne les caractéristiques acoustiques, les patients souffrant de troubles mentaux présentaient souvent un discours monotone. Les reflets et la gigue étaient associés à la gravité de la dépression.
Un défi lors du développement de modèles automatisés est le manque de prise en compte des comorbidités, problème non signalé par plusieurs études précédentes. À l’avenir, les modèles devraient être formés pour inclure et exclure les comorbidités et être comparés pour permettre une meilleure compréhension de l’exactitude du modèle.
Si un modèle est bien formé, il peut détecter avec précision les problèmes de santé mentale chez une personne sélectionnée au hasard, quels que soient l’environnement dans lequel la personne est interrogée, son âge et l’utilisation d’un accent ou d’une langue différente. Cependant, la plupart des études antérieures ont identifié des troubles chez de nouveaux sujets vivant dans un environnement similaire.
La reproductibilité des résultats est une question clé pour faire progresser la recherche dans ce domaine. Même si les données cliniques ne sont pas toujours partagées, le code et les relevés de notes de la formation doivent être disponibles pour favoriser la collaboration.
À l’avenir, les modèles devraient devenir plus robustes et généralisables, car la généralisation interculturelle est un domaine clé pour les recherches futures. En outre, pour garantir que les résultats du système automatisé sont utilisés de manière éthique, les chercheurs doivent fournir une documentation complète sur la manière dont les données collectées seront utilisées.
Conclusions
La nécessité de reproductibilité des résultats a été soulignée, car la comparaison des résultats aide les chercheurs à évaluer les performances du modèle et à estimer le surajustement. L’ouverture doit également être démontrée dans le partage de données et de code. Des recherches supplémentaires sur plusieurs ensembles de données pourraient améliorer la robustesse et la généralisabilité de ces modèles.
L’avenir des évaluations et des traitements automatisés de la santé mentale est prometteur, car davantage de fonctionnalités multimodales sont utilisées pour discipliner les modèles d’apprentissage automatique. Comme cela est conforme aux principes du diagnostic personnalisé et préventif, cela pourrait entraîner des résultats favorables pour les patients souffrant de troubles de santé mentale.
