Des chercheurs ont utilisé l’intelligence artificielle pour identifier les principaux facteurs prédictifs de l’automutilation et des tentatives de suicide chez les adolescents.
Des chercheurs ont utilisé un algorithme d’apprentissage automatique pour identifier les principaux facteurs permettant de prédire le risque d’automutilation et de tentative de suicide chez un adolescent. Ils affirment que leur modèle est plus précis que les prédicteurs de risque existants et qu’il pourrait être utilisé pour fournir des soins individualisés aux patients vulnérables.
L’adolescence est une période de formation critique. Les changements physiques, émotionnels et sociaux peuvent rendre les adolescents vulnérables aux problèmes de santé mentale, notamment aux tentatives de suicide et à l’automutilation. Selon l’Institut australien de la santé et du bien-être (AIHW), le suicide est la principale cause de décès chez les Australiens âgés de 15 à 24 ans. Aux États-Unis, les Centers for Disease Control and Prevention (CDC) en font la deuxième cause de décès chez les 10-14 ans.
L’approche standard pour prédire le suicide ou l’automutilation repose sur les tentatives de suicide ou d’automutilation passées comme seul facteur de risque, ce qui peut s’avérer peu fiable. Aujourd’hui, des chercheurs dirigés par l’université de Nouvelle-Galles du Sud à Sydney ont utilisé l’apprentissage automatique pour identifier avec précision les principaux facteurs qui exposent les adolescents à un risque accru de suicide et d’automutilation.
« Parfois, nous devons assimiler et traiter un grand nombre d’informations qui dépassent les capacités du clinicien », explique Ping-I Daniel Lin, auteur correspondant de l’étude. « C’est la raison pour laquelle nous utilisons des algorithmes d’apprentissage automatique.
Les données de 2 809 adolescents ont été extraites de l’étude longitudinale des enfants australiens (LSAC), une étude représentative au niveau national qui a débuté en 2004. Les adolescents ont été répartis en deux groupes d’âge : les 14-15 ans et les 16-17 ans.
Les données proviennent de questionnaires remplis par les enfants, les personnes qui s’occupent d’eux et les enseignants. Parmi les participants, 10,5 % avaient signalé un acte d’automutilation et 5,2 % avaient fait une tentative de suicide au moins une fois au cours des 12 mois précédents.
Les chercheurs ont identifié plus de 4 000 facteurs de risque potentiels à partir des données dans des domaines tels que la santé mentale, la santé physique, les relations avec les autres et l’environnement scolaire et familial. Ils ont utilisé un algorithme de forêt aléatoire pour identifier les facteurs de risque observés à l’âge de 14-15 ans qui permettaient le mieux de prédire les tentatives de suicide et d’automutilation à l’âge de 16-17 ans.
La forêt aléatoire est un algorithme d’apprentissage automatique supervisé composé d’arbres de décision. Il combine les résultats de plusieurs arbres de décision pour obtenir un seul résultat. L’idée fondamentale derrière le RF est qu’en combinant de nombreux arbres de décision en un seul modèle, les prédictions seront en moyenne plus proches de la réalité.
Les performances prédictives du modèle ML ont été comparées à celles d’une approche utilisant uniquement les antécédents d’automutilation ou de tentatives de suicide comme facteur prédictif. La performance de chaque modèle a été déterminée en évaluant l’aire sous la courbe (AUC), une mesure de performance qui va de 0,5 (pas mieux qu’une supposition aléatoire) à 1,0 (prédiction parfaite). En général, une aire sous la courbe de 0,7 à 0,8 est considérée comme acceptable pour prédire le risque, de 0,8 à 0,9 comme excellente, et plus de 9,0 comme exceptionnelle.
Quarante-huit variables ont été utilisées pour entraîner le modèle RF à prédire l’automutilation, qui a montré une performance prédictive moyenne avec une AUC de 0,740. En ce qui concerne la prédiction des tentatives de suicide, le modèle, qui a été entraîné à l’aide de 315 variables, a obtenu une aire sous la courbe de 0,722.
Pour le modèle d’automutilation, les principales variables identifiées comprenaient le Short Mood and Feelings Questionnaire (SMFQ), qui évalue les symptômes de dépression, les scores du Strengths and Difficulties Questionnaire (SDQ), qui évalue le comportement et les émotions, les événements stressants de la vie, les échelles de puberté, la relation enfant-parent, l’autonomie, le sentiment d’appartenance à l’école et le fait que l’enfant ait ou non un petit ami ou une petite amie.
Pour le modèle de tentative de suicide, les principaux prédicteurs étaient le SMFQ, le SDQ, l’échelle d’anxiété de Spence, qui évalue la gravité des symptômes d’anxiété, et l’indice CHU9D, une mesure de la qualité de vie liée à la santé.
Par rapport à l’utilisation d’antécédents d’automutilation ou de tentatives de suicide comme prédicteurs, les modèles ML ont obtenu de meilleurs résultats. L’utilisation d’antécédents d’automutilation pour prédire une automutilation répétée a permis d’obtenir une AUC de 0,645, une tentative de suicide antérieure pour prédire une nouvelle tentative une AUC de 0,630, et l’automutilation pour prédire une tentative de suicide une AUC de 0,647.
Ce qui a surpris les chercheurs, c’est que les tentatives antérieures de suicide ou d’automutilation n’étaient pas un facteur de risque élevé et que l’environnement jouait un rôle si important.
La recherche a montré que l’environnement familial et scolaire était un facteur prédictif important du risque
« Nous avons été surpris de constater que les tentatives antérieures ne figuraient pas parmi les principaux facteurs de risque », précise Ping-I Daniel Lin. « Nous avons découvert que l’environnement du jeune joue un rôle plus important que nous ne le pensions. C’est une bonne chose du point de vue de la prévention, car nous savons maintenant qu’il y a plus à faire pour ces personnes ».
Les chercheurs ont également noté qu’il existait des facteurs uniques propres au suicide ou à l’automutilation.
« Un prédicteur unique du suicide est le manque d’auto-efficacité, c’est-à-dire le sentiment de ne pas avoir de contrôle sur son environnement et son avenir », assure Ping-I Daniel Lin. « Et un prédicteur unique de l’automutilation était le manque de régulation émotionnelle.
Les chercheurs estiment que leurs résultats sont importants car ils tendent à réfuter le stéréotype selon lequel les personnes se suicident ou s’automutilent uniquement en raison d’une mauvaise santé mentale. Ils affirment que leur modèle pourrait être utilisé pour évaluer le risque individuel chez les adolescents.
« Sur la base des informations relatives au patient, l’algorithme de ML pourrait calculer un score pour chaque personne, qui pourrait être intégré dans le système de dossiers médicaux électroniques », a déclaré Ping-I Daniel Lin. « Le clinicien pourrait rapidement retrouver ces informations pour confirmer ou ajuster son évaluation.
D’autres recherches sont nécessaires avant que ces modèles puissent être mis en œuvre dans un cadre clinique. Ils doivent être appliqués à des bases de données cliniques réelles pour valider leur efficacité à prédire les tentatives de suicide et d’automutilation.
« En tant que chercheurs, nous essaierons de continuer à produire davantage d’informations et de preuves », conclut Ping-I Daniel Lin. « C’est ainsi que nous pourrons convaincre les parties prenantes – les cliniciens, les familles, les patients et la communauté – de la valeur de ces approches fondées sur des données.
https://www.sciencedirect.com/science/article/pii/S0165178123003967?via%3Dihub
