Les données Fitbit prédisent avec précision les sautes d'humeur liées au trouble bipolaire
infohightech ·
Des chercheurs ont utilisé les données quotidiennes de Fitbit pour former un algorithme d’apprentissage automatique afin de prédire avec précision les épisodes d’humeur associés au trouble bipolaire. Cela ouvre la voie à l’utilisation d’un algorithme personnalisé pour piloter le traitement de cette maladie qui a un impact sur la vie.
Les épisodes d'humeur caractéristiques du trouble bipolaire (TB) – les fluctuations extrêmes entre dépression et manie, suivies d'une période de rémission – peuvent avoir un impact considérable sur le travail, les relations et la santé d'une personne. Le traitement du TB vise à limiter cet impact, ce qui nécessite l'identification et le traitement rapides des épisodes d'humeur.
À la tête d'une nouvelle étude visant à trouver un moyen précis de détecter les épisodes d'humeur chez les personnes atteintes de trouble bipolaire, des chercheurs du Brigham and Women's Hospital (BWH) de Boston se sont tournés vers un appareil de surveillance de la santé désormais omniprésent, le Fitbit.
« La plupart des gens se promènent avec des appareils numériques personnels comme des smartphones et des montres connectées qui enregistrent des données quotidiennes susceptibles d'éclairer le traitement psychiatrique », a déclaré Jessica Lipschitz, PhD, du département de psychiatrie du BWH et auteure principale de l'étude. « Notre objectif était d'utiliser ces données pour identifier le moment où les participants à l'étude diagnostiqués avec un trouble bipolaire connaissaient des épisodes d'humeur. »
Des études ont montré que la plupart des personnes atteintes de trouble bipolaire, autrefois appelé trouble maniaco-dépressif ou dépression maniaque, connaissent un changement de gravité des symptômes et de « polarité » de l'humeur au moins trois fois par an.
Cela comprend le passage d'un sentiment de grande joie, d'irritabilité, avec une augmentation marquée du niveau d'activité (manie), à un sentiment de tristesse, d'indifférence ou de désespoir avec un niveau d'activité très faible (dépression). L'hypomanie est comme la manie mais moins grave ; elle n'entraîne pas la déficience du fonctionnement social ou professionnel que provoquent les épisodes maniaques.
Il existe deux types de trouble bipolaire : le trouble bipolaire de type I et le trouble bipolaire de type II. Le trouble bipolaire de type I se caractérise par des épisodes maniaques qui durent au moins sept jours (la majeure partie de la journée, presque tous les jours) ou par une manie si grave qu'une hospitalisation est nécessaire. Des épisodes dépressifs distincts surviennent généralement également et durent généralement au moins deux semaines.
Certaines personnes atteintes de trouble bipolaire de type I connaissent ce que l'on appelle un « cycle rapide », c'est-à-dire qu'elles connaissent plus de quatre épisodes maniaques ou dépressifs en un an. Le trouble bipolaire de type II se caractérise par un schéma de dépression et d'hypomanie.
Pour la présente étude, les chercheurs ont recruté 54 adultes diagnostiqués avec une TB-I ou une TB-II et leur ont demandé de porter un Fitbit en continu pendant neuf mois. Le Fitbit Inspire a été choisi pour sa capacité à recueillir des données sur l'activité, la fréquence cardiaque et le sommeil. Les participants ont également été invités à signaler eux-mêmes leurs symptômes de dépression et de manie toutes les deux semaines au cours de la même période de neuf mois.
La plupart des personnes atteintes de trouble bipolaire ressentent un changement de gravité des symptômes et d'humeur au moins trois fois par an.
Les données, qui comprenaient 17 variables telles que le nombre de pas, les minutes très actives, les minutes sédentaires, la fréquence cardiaque et la fréquence cardiaque au repos, la durée totale du sommeil, le score d'efficacité du sommeil, la durée du sommeil profond, la durée du sommeil paradoxal et l'heure du coucher, ont été utilisées pour former un algorithme d'apprentissage automatique prédictif. L'algorithme a pu déterminer l'importance de chaque variable dans la prédiction des symptômes cliniquement significatifs de la dépression et de la manie.
L'algorithme a prédit avec précision 89,1 % des symptômes hypomaniaques ou maniaques cliniquement significatifs (avec une sensibilité de 80,0 % et une spécificité de 90,1 %) et 80,1 % des symptômes dépressifs cliniquement significatifs (sensibilité de 71,2 %, spécificité de 85,6 %). La sensibilité fait référence à la capacité d'un test à identifier correctement les patients atteints d'une maladie ; la spécificité est sa capacité à identifier correctement les personnes non atteintes de cette maladie.
Les cinq variables qui ont le plus contribué aux prédictions de la dépression étaient la durée des réveils, la durée totale du sommeil, l’heure médiane du coucher, la fréquence cardiaque au repos et le pourcentage de sommeil passé en sommeil profond. Pour les prédictions de la manie ou de l’hypomanie, les cinq principales variables étaient la fréquence cardiaque, l’efficacité du sommeil, le pourcentage de sommeil passé en sommeil paradoxal, le nombre de minutes très actives et l’heure médiane du coucher.
« Nos résultats sont particulièrement remarquables car toutes les données ont été collectées de manière passive, aucune des mesures utilisées n’était invasive en termes de confidentialité, nous avons utilisé des appareils grand public et nos méthodes n’exigeaient pas un niveau élevé de conformité Fitbit », ont déclaré les chercheurs. « D’autres chercheurs ont obtenu des prédictions d’humeur plus précises avec des protocoles de collecte de données plus invasifs qui utilisent des données telles que la géolocalisation et les fonctions vocales , qui peuvent soulever des problèmes de confidentialité, et des vêtements textiles, qui peuvent sembler restrictifs pour les patients. »
Ces résultats ont le potentiel de transformer les modèles de soins dans le trouble bipolaire et d’améliorer la précision du traitement.
« À l’avenir, nous espérons que les algorithmes d’apprentissage automatique comme le nôtre pourraient aider les équipes de traitement des patients à réagir rapidement aux épisodes nouveaux ou persistants afin de limiter l’impact négatif », a déclaré Jessica Lipschitz.
https://www.eurekalert.org/news-releases/1066040