Prédiction du résultat fonctionnel chez les jeunes adultes présentant des symptômes de santé mentale à l'aide de l'apprentissage automatique et des grands modèles de langage : étude observationnelle longitudinale.Functional Outcome Prediction in Young Adults With Mental Health Symptoms Using Machine Learning and Large Language Models: Longitudinal Observational Study.
- Le SVM avec caractéristiques cliniques a atteint une précision équilibrée de 69,2 % pour prédire le fonctionnement global à 2 ans.
- Un arbre de décision réduit à 5 items cliniques a amélioré la précision à 76,6 %.
- L'IRM structurelle n'a pas amélioré la prédiction par rapport aux données cliniques seules.
Étude observationnelle longitudinale avec validation externe partielle, pertinente pour l'utilisation de l'IA en pronostic transdiagnostique en santé mentale. Note élevée car les résultats sont directement applicables en clinique mais nécessitent réplication.
Taille d'échantillon modeste (N=357) pouvant limiter la généralisabilité. Validation externe partielle : leave-one-site-out pour SVM et échantillon externe pour LLM. Le critère GAF est subjectif et peut varier entre évaluateurs. Les résultats reposent sur des données de suivi à 2 ans, sans évaluation à plus long terme.
Cette étude longitudinale a utilisé des données cliniques et d'IRM structurelle pour prédire le fonctionnement global (GAF) à 2 ans chez 357 jeunes adultes (18-35 ans) en demande d'aide, présentant des symptômes affectifs, anxieux ou de TDAH. Un SVM avec caractéristiques cliniques a obtenu une précision équilibrée de 69,2 %, améliorée à 76,6 % avec un arbre de décision réduit à 5 items. L'IRM seule a donné 57,1 % et n'a pas amélioré la prédiction. Le LLM Llama-3 non entraîné a atteint 72,6 %, montrant un potentiel pour exploiter des données textuelles libres.
Le SVM avec caractéristiques cliniques a atteint une précision équilibrée de 69,2 % pour prédire le fonctionnement global à 2 ans. Un arbre de décision réduit à 5 items cliniques a amélioré la précision à 76,6 %. L'IRM structurelle n'a pas amélioré la prédiction par rapport aux données cliniques seules. Le LLM Llama-3, sans entraînement, a obtenu 72,6 %, comparable aux modèles traditionnels. Les items les plus prédictifs incluaient le fonctionnement professionnel, les relations interpersonnelles et les symptômes psychotiques/affectifs.
Des modèles prédictifs basés sur de simples données cliniques pourraient aider à identifier précocement les jeunes adultes à risque de détérioration fonctionnelle. L'utilisation de LLM sans fine-tuning ouvre la voie à l'exploitation de notes cliniques textuelles pour le pronostic en santé mentale. Une approche transdiagnostique est prometteuse pour les services d'intervention précoce.
Modéré