Un cadre d'apprentissage automatique explicable pour analyser et prédire les problèmes de santé mentale chez les étudiants universitaires au BangladeshAn explainable machine learning framework for analyzing and predicting mental health problems among university students in Bangladesh.
- L'étude utilise un cadre d'apprentissage automatique explicable (SHAP, LIME) pour analyser des données de santé mentale dans un échantillon non probabiliste d'étudiants bangladais.
- Des proportions élevées de symptômes modérés à sévères ont été observées pour la dépression (66%), l'anxiété (73%) et le stress (52%), avec un chevauchement important des trois troubles.
- Les troubles du sommeil, les plaintes cognitives et les difficultés comportementales auto-rapportées sont les prédicteurs les plus importants dans les modèles de ML.
L'article est pertinent pour la veille clinique car il utilise des méthodes d'apprentissage automatique explicables pour analyser les problèmes de santé mentale chez les étudiants, un sujet d'intérêt pour les cliniciens. Cependant, son caractère exploratoire, son échantillon non représentatif et ses limites méthodologiques réduisent son utilité immédiate pour la pratique clinique. La note de 60 reflète un intérêt modéré.
L'échantillon est non probabiliste et de taille modeste (n=424), limitant la généralisabilité des résultats. Les données sont transversales et autorapportées, avec un biais de sélection potentiel (période de troubles politiques). L'étude est purement exploratoire ; les modèles ne sont pas validés sur des échantillons indépendants ni en conditions réelles. Les associations identifiées ne sont pas causales et reflètent le comportement du modèle plutôt que des facteurs de risque indépendants. Les résultats sont spécifiques au contexte bangladais et à la période de collecte ; ils ne peuvent être extrapolés à d'autres populations ou moments.
Cette étude applique un cadre d'apprentissage automatique (ML) explicable pour examiner les schémas de dépression, d'anxiété et de stress dans un échantillon de 424 étudiants universitaires bangladais, recueilli via une enquête en ligne pendant une période de troubles sociaux et politiques en juillet 2024. Dans cet échantillon, des proportions élevées de symptômes modérés à extrêmement sévères ont été observées : dépression (66,0%), anxiété (73,4%) et stress (52,4%), avec un chevauchement important (48,1% pour les trois). Huit modèles de ML ont été évalués avec des partitions répétées entraînement/test et validation croisée. Les machines à vecteurs de support (SVM) ont montré des performances stables pour la dépression et le stress, tandis que XGBoost s'est mieux comporté pour l'anxiété. Les analyses explicables (SHAP et LIME) ont indiqué que les troubles du sommeil, les plaintes cognitives et les difficultés comportementales auto-rapportées contribuaient fortement aux prédictions. La discipline académique et la sévérité de la dépendance à Internet étaient plus influentes pour l'anxiété, tandis que le sexe et le type d'université l'étaient davantage pour la dépression. L'étude est exploratoire et méthodologique, non prédictive ou clinique. Les résultats sont spécifiques à l'échantillon et ne doivent pas être interprétés comme des estimations de prévalence ou des outils de prédiction déployables.
L'étude utilise un cadre d'apprentissage automatique explicable (SHAP, LIME) pour analyser des données de santé mentale dans un échantillon non probabiliste d'étudiants bangladais. Des proportions élevées de symptômes modérés à sévères ont été observées pour la dépression (66%), l'anxiété (73%) et le stress (52%), avec un chevauchement important des trois troubles. Les troubles du sommeil, les plaintes cognitives et les difficultés comportementales auto-rapportées sont les prédicteurs les plus importants dans les modèles de ML. L'influence des caractéristiques varie selon le trouble : la discipline académique et la dépendance à Internet sont plus importantes pour l'anxiété, tandis que le sexe et le type d'université le sont pour la dépression. Cette étude est exploratoire et ne fournit pas d'outils prédictifs cliniquement déployables ; les résultats sont spécifiques à l'échantillon et au contexte.
Les cliniciens doivent être conscients que les modèles de ML peuvent révéler des associations complexes mais ne remplacent pas l'évaluation clinique individuelle. Les symptômes de sommeil et cognitifs pourraient être des cibles d'intervention importantes dans les populations étudiantes en période de crise. Les différences observées selon le genre et le type d'université suggèrent la nécessité d'approches adaptées en santé mentale universitaire. Les taux élevés de comorbidité entre dépression, anxiété et stress soulignent l'importance d'une évaluation multidimensionnelle. L'étude ne fournit pas de seuils cliniques utilisables en pratique ; les résultats ne doivent pas être généralisés sans précaution.
Modéré