Une approche basée sur les données numériques a pu prédire la dépression et permettre un traitement personnalisé, selon les résultats d’une étude publiée dans Psychiatrie Translationnelle.

« Il y a différentes raisons et causes sous-jacentes à la dépression » Jyoti Mishra, PhD, auteur principal de l’étude et professeur adjoint au département de psychiatrie de la faculté de médecine de l’Université de Californie à San Diego, a déclaré dans un communiqué de presse. « En termes simples, les normes de soins de santé actuelles consistent principalement à demander aux gens ce qu’ils ressentent, puis à rédiger une ordonnance de médicaments. Ces traitements de première intention se sont avérés seulement légers à modérément efficaces dans des essais à grande échelle.

« La dépression est une maladie à multiples facettes, et nous devons l’aborder avec un traitement personnalisé, qu’il s’agisse d’une thérapie avec un professionnel de la santé mentale, de plus d’exercice ou d’une combinaison d’approches », a ajouté Mishra.

Mishra et ses collègues ont obtenu des données de 14 participants souffrant de dépression via smartphones applications et appareils portables, tels que les montres intelligentes, pour mesurer les variables de l’humeur et du mode de vie, y compris le sommeil, l’exercice, l’alimentation et le stress. Ils les ont associés à des évaluations cognitives et à l’électroencéphalographie. À l’aide de ces données, ils ont généré des prédictions individualisées de l’humeur dépressive sur 1 mois. Ils visaient non pas à comparer les résultats entre les individus, mais à modéliser les prédicteurs des fluctuations quotidiennes de l’humeur dépressive de chaque participant. En outre, ils ont utilisé sept formes d’approches d’apprentissage automatique supervisé, telles que l’apprentissage d’ensemble et les méthodes basées sur la régression, pour chaque participant, et ils ont vérifié les modèles à l’aide d’une validation croisée quadruple imbriquée.

Selon les chercheurs, il n’y avait pas de « stratégie universelle », car ils utilisaient une forme différente de modèle d’apprentissage automatique pour chaque individu afin d’obtenir le meilleur ajustement en fonction du pourcentage d’erreur absolu moyen le plus bas. Une stratégie composite à travers le modèle d’apprentissage automatique, ou le régresseur de vote, a obtenu les meilleurs résultats, en moyenne, parmi les participants. Cependant, les modèles les mieux ajustés sélectionnés individuellement ont démontré beaucoup moins d’erreurs par rapport aux performances du régresseur de vote parmi les participants. Les chercheurs ont utilisé les statistiques de Shapley pour extraire davantage les prédicteurs les plus performants pour le modèle personnalisé le mieux adapté de chaque participant. Les valeurs de Shapley ont montré des déterminants distincts des caractéristiques de la dépression au fil du temps pour chaque individu. Ceux-ci comprenaient l’anxiété comorbide, exercice physique, alimentation, stress momentané et performance respiratoire, temps de sommeil et neurocognition.

« Les cliniciens peuvent exploiter ces données pour comprendre comment leurs patients pourraient se sentir et mieux intégrer les approches médicales et comportementales pour améliorer et maintenir la santé mentale », a déclaré Mishra. « Notre étude montre que nous pouvons utiliser la technologie et les outils facilement disponibles, comme les applications pour téléphones portables, pour collecter des informations auprès de personnes souffrant ou à risque de dépression, sans charge importante pour elles, puis exploiter ces informations pour concevoir des plans de traitement personnalisés. . «