La recherche menée par l’Université Carnegie Mellon a développé un modèle qui peut prédire avec précision comment les ordonnances de maintien à domicile comme celles mises en place pendant la pandémie de COVID-19 affectent la santé mentale des personnes atteintes de troubles neurologiques chroniques tels que la sclérose en plaques.

Des chercheurs de la CMU, de l’Université de Pittsburgh et de l’Université de Washington ont recueilli des données à partir des smartphones et des trackers de fitness des personnes atteintes de SEP avant et pendant la première vague de la pandémie. Plus précisément, ils ont utilisé les données de capteur collectées passivement pour créer des modèles d’apprentissage automatique afin de prédire la dépression, la fatigue, la mauvaise qualité du sommeil et l’aggravation des symptômes de la SEP pendant la période sans précédent de séjour à la maison.

Avant le début de la pandémie, la question de recherche initiale était de savoir si les données numériques des smartphones et des trackers de fitness des personnes atteintes de SEP pouvaient prédire les résultats cliniques. En mars 2020, comme les participants à l’étude devaient rester à la maison, leurs comportements quotidiens avaient été considérablement modifiés. L’équipe de recherche a réalisé que les données recueillies pourraient éclairer l’effet des ordonnances de maintien à domicile sur les personnes atteintes de SEP.

« Cela nous a offert une opportunité passionnante », a déclaré Mayank Goëlchef de la Laboratoire de détection intelligente pour les humains (SMASH) à la CMU. « Si nous examinons les points de données avant et pendant la période de séjour à domicile, pouvons-nous identifier les facteurs qui signalent des changements dans la santé des personnes atteintes de SEP ? »

L’équipe a collecté des données passivement pendant trois à six mois, en collectant des informations telles que le nombre d’appels sur les smartphones des participants et la durée de ces appels ; le nombre d’appels manqués ; et les données de localisation et d’activité de l’écran des participants. L’équipe a également recueilli des informations sur la fréquence cardiaque, le sommeil et le nombre de pas de leurs trackers de fitness. La recherche, « Prédire les résultats de la sclérose en plaques pendant la période de séjour à domicile COVID-19 : étude observationnelle utilisant des comportements à détection passive et le phénotypage numérique », a récemment été publiée dans le Journal of Medical Internet Research Santé mentale. Goel, professeur agrégé à l’École d’informatique Département Logiciels et Systèmes Sociétaux (S3D) et Institut de l’interaction homme-machine (HCII), a collaboré avec Prerna Chikersal, Ph.D. étudiant au HCII; Dr Zongqi Xia, professeur agrégé de neurologie et directeur du programme de recherche en neuroimmunologie translationnelle et computationnelle à l’Université de Pittsburgh ; et Anind Dey, professeur et doyen de l’École d’information de l’Université de Washington.

Le travail était basé sur des études antérieures des groupes de recherche de Goel et Dey. En 2020, une équipe de la CMU a publié une recherche qui a présenté un modèle d’apprentissage automatique qui pourrait identifier la dépression chez les étudiants à la fin du semestre en utilisant les données des smartphones et des trackers de fitness. Les participants à l’étude précédente, en particulier 138 étudiants de première année à la CMU, étaient relativement similaires les uns aux autres par rapport à la population plus large au-delà de l’université. Les chercheurs ont entrepris de tester si leur approche de modélisation pouvait prédire avec précision les résultats de santé cliniquement pertinents dans une population de patients du monde réel avec une plus grande diversité démographique et clinique, ce qui les a amenés à collaborer avec le programme de recherche sur la SEP de Xia.

Les personnes atteintes de SEP peuvent présenter plusieurs comorbidités chroniques, ce qui a permis à l’équipe de tester si leur modèle pouvait prédire des effets néfastes sur la santé tels qu’une fatigue intense, une mauvaise qualité du sommeil et une aggravation des symptômes de la SEP en plus de la dépression. S’appuyant sur cette étude, l’équipe espère faire progresser la médecine de précision pour les personnes atteintes de SEP en améliorant la détection précoce de la progression de la maladie et en mettant en œuvre des interventions ciblées basées sur le phénotypage numérique.

Le travail pourrait également aider à informer les décideurs politiques chargés d’émettre de futures ordonnances de maintien à domicile ou d’autres réponses similaires lors de pandémies ou de catastrophes naturelles. Lorsque les ordonnances initiales de maintien à domicile du COVID-19 ont été émises, il y avait des inquiétudes précoces quant à ses impacts économiques, mais seulement une appréciation tardive des conséquences sur la santé mentale et physique des personnes – en particulier parmi les populations vulnérables telles que celles souffrant de maladies neurologiques chroniques. .

« Nous avons pu capturer le changement de comportement des gens et prédire avec précision les résultats cliniques lorsqu’ils sont obligés de rester à la maison pendant de longues périodes », a déclaré Goel. « Maintenant que nous avons un modèle de travail, nous pourrions évaluer qui est à risque d’aggravation de la santé mentale ou de la santé physique, éclairer les décisions de triage clinique ou façonner les futures politiques de santé publique. »

Clause de non-responsabilité: AAAS et EurekAlert ! ne sont pas responsables de l’exactitude des communiqués de presse publiés sur EurekAlert! par les institutions contributrices ou pour l’utilisation de toute information via le système EurekAlert.