5a. Résumé
La prise de décision clinique en santé mentale est compliquée par la nature des mesures et la faible fréquence d’entretiens en cabinet médical, en plus de la difficulté inhérente à prédire l’état mental futur d’un patient.
Le phénotypage digital mobilise les mégadonnées générées par les capteurs du téléphone intelligent (Bluetooth, GPS, Wi-Fi, appels, etc.) pour faciliter le suivi objectif et continu du patient dans son milieu de vie. L’apprentissage machine permet la formulation de prédictions justes de l’état mental futur (stress, humeur, etc.) à partir de ces données. Nous évaluons également la capacité à interpréter les prédictions, notamment en regard de l’activité sociale capturée par le téléphone.
Nos analyses reposent sur le jeu de données Friends and Family, soit 140 adultes ayant fourni des données de phénotypage digital et des autoévaluations quotidiennes du stress, de l’humeur et de l’activité sociale durant 8 mois. Des modèles usant de réseaux récurrents de neurones ont été développés en Python. La contribution aux modèles des mesures brutes associées aux autoévaluations de l’activité sociale sera comparée à celle de mesures intégrées de l’activité sociale.
Les modèles prédisent avec une justesse de plus de 75% le stress et l’humeur du jour à venir à partir des 7 jours précédents. Ces résultats préliminaires ne suggèrent pas un rôle particulier de la sphère sociale, suggérant la possible influence d’autres domaines tels l’activité physique ou la cognition.
