Une fois bébé venu au monde, certaines mères plongent dans une profonde détresse psychologique : la dépression post-partum (DPP). Une phase, qui selon le Manuel MSD « correspond à des symptômes dépressifs survenant pendant la première année après l’accouchement qui durent > 2 semaines et répondent aux critères d’une dépression majeure ». Même si la prise en charge périnatale a fait d’immenses progrès sur les vingt dernières années, les femmes concernées sont très nombreuses si l’on en croit les données de l’Assurance Maladie, qui affirme que « 10 à 20 % des mères » peuvent être touchées par cette condition.
La DPP est considérée, en France tout du moins, comme un enjeu de santé publique et l’on accorde grand soin à améliorer son dépistage et la précocité de la prise en charge. Au regard des progrès réalisés par l’IA dans le domaine de la biologie ou dans celui de la médecine de manière générale (détection de cancer ou des trajectoires globales de santé, par exemple), pourquoi ne pas user de cette technologie pour baliser la DPP avec plus d’efficacité ? C’est l’idée qu’ont eu ces chercheurs issus du réseau hospitalier Mass General Brigham, aux États-Unis. Leurs travaux ont été publiés le 19 mai dans la revue The American Journal of Psychiatry.
Prévenir au lieu de guérir
Plutôt que d’attendre l’apparition des premiers symptômes (ceux-ci survenant souvent plusieurs semaines après la naissance) les chercheurs ont cherché à anticiper le risque dès la maternité. Si l’on veut construire un modèle d’IA prédictif, il faut l’entraîner avec des éléments déjà existants, c’est une étape inévitable. Un modèle ne comprend pas le monde au sens humain du terme, d’où la nécessité de l’exposer à de grandes quantités de données, pour qu’il puisse identifier des motifs, des tendances et des corrélations entre différentes variables.
L’algorithme développé par l’équipe de recherche s’appuie donc sur des données déjà enregistrées au fil du suivi médical des patientes : antécédents de santé, caractéristiques sociodémographiques, historique des consultations et des hospitalisations.
Toutes ces informations, déjà disponibles dans les dossiers médicaux, ont été passées au crible par l’algorithme pour établir un score de risque individuel. Ce score sert à classer les patientes selon leur probabilité de développer une DPP dans les mois suivant la naissance. L’objectif ici n’est pas de poser un diagnostic définitif, mais d’identifier, dès la maternité, les femmes potentiellement vulnérables.
Pour les équipes médicales, cela leur permet de savoir, dès les premiers jours, quelles mères risquent de flancher. SI c’est le cas, elles pourront alors proposer un accompagnement psychologique et des mesures de suivi avant que la détresse ne s’installe.
Pour construire leur modèle, les chercheurs ont exploité les dossiers médicaux de 29 168 femmes ayant accouché entre 2017 et 2022 dans huit hôpitaux du réseau Mass General Brigham. Dans cet ensemble, environ 9 % des patientes ont développé une DPP dans les six mois suivant la naissance.
Le modèle a d’abord été nourri par la moitié de ces données, permettant à l’algorithme de repérer les profils à risque en analysant les points communs entre les patientes concernées. Il a ensuite été testé sur l’autre moitié de la cohorte pour évaluer sa capacité à prédire les cas futurs.
Pourquoi cet entraînement découpé en deux phases ? C’est très simple : pour vérifier si l’algorithme est réellement capable de généraliser ses prédictions à de nouvelles patientes, et non simplement de reproduire les cas qu’il a mémorisés lors de l’entraînement. S’ils n’avaient pas procédé ainsi, le modèle aurait donné de bons résultats sur les données qu’il connaît déjà, mais aurait été sûrement beaucoup moins fiable une fois confronté à de nouvelles patientes.
Ses performances sont très solides : dans 90 % des cas, il parvient à identifier correctement les femmes qui ne développeront pas de troubles. Parmi celles qu’il classe comme étant « à haut risque », environ un tiers présenteront effectivement des symptômes dans les mois qui suivent. Un taux de prédiction deux à trois fois supérieur aux estimations qu’on obtiendrait en se basant uniquement sur les statistiques de population.
Repérer celles que la médecine ne pensait pas fragiles
Un tel taux de réussite est déjà signe que les chercheurs ont travaillé dans le bon sens, mais leur étude comporte un autre point fort : le profil des patientes étudiées. Pour vraiment évaluer la capacité du modèle à détecter des situations à risque, les chercheurs ont volontairement écarté de leur échantillon les femmes présentant déjà des antécédents psychiatriques. Ils ont donc testé leur algorithme sur des patientes que la médecine considère habituellement comme peu vulnérables, car sans « passif » psychologique connu.
L’objectif était de vérifier si le modèle pouvait débusquer des signaux, qui, en temps normal, passeraient sous l’œil des soignants pendant le suivi de grossesse. Des facteurs de fragilité trop diffus ou trop faibles pour être repérés par les professionnels. Bonne nouvelle, les résultats se sont montrés constants, quelle que soit la diversité des patientes. Les performances du modèle n’ont pas été affectés par l’âge, l’origine ethnique ou le profil démographiques de ces dernières.
Les chercheurs ont également eu l’idée d’intégrer aux calculs les résultats de l’échelle d’Édimbourg, un questionnaire standardisé qu’on utilise en périnatalité pour évaluer l’état émotionnel des jeunes mères. Une fois l’algorithme renforcé par les données résultantes de ce test, ses performances se sont encore améliorées. Deux approches thérapeutiques complémentaires : le modèle analyse les données « froides », et ses résultats gagnent ensuite en précision grâce à l’évaluation psychologique plus subjective permise par le questionnaire.
Pour le Dr. Clapp, qui a participé au développement du modèle et à la rédaction de l’article, c’est un progrès évident : « C’est une avancée prometteuse dans le développement d’un outil prédictif qui, associé à l’expertise des soignants, pourrait contribuer à améliorer la santé mentale maternelle. Avec de nouvelles validations, et en travaillant main dans la main avec les équipes médicales et les patientes, l’objectif est d’intervenir plus tôt et, finalement, de mieux protéger les jeunes mères ».
Pour l’instant, l’étude n’en est encore qu’à son stade expérimental, et le modèle devra faire ses preuves dans des contextes cliniques plus variés pour se généraliser. Bien évidemment, il n’est pas question de remplacer le jugement des professionnels de santé dans le dépistage de la DPP, mais de les épauler en leur fournissant un signal d’alerte supplémentaire. En effet, dans bien des cas, c’est l’absence de repérage précoce qui aggrave le sort des patientes concernées et les place en situation d’errance diagnostique. Si cet outil est un jour validé, il donnerait aux équipes médicales quelques semaines d’avance ; des semaines très précieuse, car elles suffisent parfois d’éviter que la dépression ne s’enracine trop profondément.
- Des chercheurs américains ont développé un modèle d’intelligence artificielle capable d’identifier très tôt les jeunes mères à risque de développer une dépression post-partum.
- Ce modèle, entraîné sur des milliers de dossiers, se montre performant même chez les patientes sans antécédents psychiatriques, et ses prédictions sont plus précises que les estimations traditionnelles.
- L’objectif n’est pas de remplacer l’expertise humaine, mais de fournir aux professionnels de santé un outil d’alerte supplémentaire.
📍 Pour ne manquer aucune actualité de Presse-citron, suivez-nous sur Google Actualités et WhatsApp.
