Apprentissage en quelques exemples avec grands modèles de langage pour prédire la réponse individuelle au traitement par pleine conscience sur smartphone chez des adultes autistes présentant de l'anxiété : analyse secondaire d'un essai contrôlé randomiséLarge Language Model Few-Shot Learning for Predicting Individual Treatment Response to Smartphone-Based Mindfulness in Autistic Adults With Anxiety: Secondary Analysis of a Randomized Controlled Trial.
- Les modèles d'apprentissage automatique (random forest, AUC=0,79) ont prédit la réponse à l'intervention de pleine conscience sur smartphone chez des adultes autistes anxieux.
- Une anxiété d'état élevée en baseline prédisait une meilleure réponse, tandis qu'un score élevé au quotient autistique, un âge avancé et un faible jeu de simulation dans l'enfance étaient associés à une moins bonne réponse.
- L'apprentissage en quelques exemples (few-shot learning) avec un grand modèle de langage (GPT-4o) a surpassé les méthodes traditionnelles avec une précision de 0,867 à 70 shots.
L'article présente une approche novatrice de prédiction de réponse au traitement par mindfulness chez des adultes autistes, avec des résultats prometteurs mais validés sur un échantillon modeste. Il est directement pertinent pour la pratique clinique en psychiatrie de précision.
Échantillon modeste (n=73) issu d'une analyse secondaire d'un essai contrôlé randomisé. Les résultats doivent être validés sur des échantillons plus larges et diversifiés. La prédiction de l'anxiété trait était peu fiable, limitant la généralisation. L'étude n'a pas évalué l'impact clinique réel de l'utilisation des modèles prédictifs.
Cette analyse secondaire d'un essai contrôlé randomisé compare une intervention de pleine conscience de 6 semaines sur smartphone à un groupe d'attente chez 73 adultes autistes anxieux. Les modèles d'apprentissage automatique (random forest, AUC=0,79) ont prédit la réponse à l'intervention (réduction ≥7 points au STAI-état). Une anxiété d'état élevée en baseline prédisait une meilleure réponse, tandis qu'un score élevé au quotient autistique, un âge avancé et un faible jeu de simulation dans l'enfance étaient associés à une moins bonne réponse. L'apprentissage en quelques exemples avec GPT-4o (70 exemples) a atteint une précision de 0,867, surpassant les méthodes traditionnelles. La prédiction de l'anxiété trait était faible. Ces résultats démontrent la faisabilité d'une psychiatrie de précision pour les interventions numériques en santé mentale chez les adultes autistes.
Les modèles d'apprentissage automatique (random forest, AUC=0,79) ont prédit la réponse à l'intervention de pleine conscience sur smartphone chez des adultes autistes anxieux. Une anxiété d'état élevée en baseline prédisait une meilleure réponse, tandis qu'un score élevé au quotient autistique, un âge avancé et un faible jeu de simulation dans l'enfance étaient associés à une moins bonne réponse. L'apprentissage en quelques exemples (few-shot learning) avec un grand modèle de langage (GPT-4o) a surpassé les méthodes traditionnelles avec une précision de 0,867 à 70 shots. La prédiction des changements d'anxiété trait était faible (AUC 0,46-0,68), reflétant la stabilité de ce trait.
Ces résultats permettent d'identifier les patients autistes les plus susceptibles de bénéficier d'une intervention de pleine conscience numérique, facilitant une orientation personnalisée. L'utilisation de modèles prédictifs en pratique clinique pourrait améliorer l'efficacité des interventions en santé mentale numérique pour l'autisme. L'apprentissage en quelques exemples offre une alternative viable pour la prédiction clinique avec de petits échantillons.
Modéré