Modèles Prédictifs sur le Profil Psychosocial, la Fatigue et la Qualité du Sommeil

La fibromyalgie (FM) est une affection caractérisée par des douleurs musculosquelettiques chroniques, dont la physiopathologie reste incertaine. De plus, ce trouble est fréquemment associé à des troubles du sommeil, une fatigue marquée, une raideur matinale, une mauvaise qualité de vie, des altérations cognitives (principalement des problèmes liés à la mémoire) et des troubles psychologiques, y compris la dépression, l'anxiété et le stress.

La FM est nettement plus prévalente chez les femmes, avec un ratio femme-homme estimé à environ 3:1. Sa prévalence dans la population adulte est estimée à 2-3%, augmentant avec l'âge et culminant entre 45 et 65 ans. Le fardeau socioéconomique et sanitaire de cette affection est considérable, car la FM est associée à des taux élevés de consultations médicales, de chômage, d'incapacité de travail et de besoin de soutien financier lié au handicap.

La FM a été liée à des niveaux plus élevés d'affect négatif, défini comme un état général de détresse englobant des émotions aversives telles que la tristesse, la peur, la colère et la culpabilité. Les patients atteints de FM présentent couramment des niveaux élevés d'anxiété, de dépression, de catastrophisme de la douleur et de stress, qui sont associés à une aggravation des symptômes, y compris les troubles cognitifs.

Ces dernières années, les techniques d'apprentissage automatique, d'exploration de données et d'intelligence artificielle (IA) ont été appliquées avec succès au développement de systèmes de diagnostic assisté par ordinateur (DAO) pour l'identification d'affections de santé complexes, atteignant de bons niveaux de précision et d'efficacité en reconnaissant des modèles potentiellement significatifs dans les données de santé. En conséquence, ces technologies fournissent des outils puissants pour l'analyse de données multivariées, permettant des prédictions basées sur des modèles et offrant un avantage clair dans l'évaluation des risques pour un large éventail de maladies. De plus, ces approches soutiennent non seulement le développement de modèles prédictifs cliniques, mais améliorent également la capacité des cliniciens à interpréter et à appliquer leurs résultats en pratique.

Les modèles d'apprentissage automatique explicables permettent aux experts cliniques de prendre des décisions basées sur les données et de fournir des traitements personnalisés tout en maintenant un niveau élevé de soins. Ces modèles relèvent du domaine de l'intelligence artificielle explicable (XAI), qui vise à développer des modèles interprétables préservant une haute précision prédictive tout en améliorant la transparence, la compréhension et la fiabilité des sorties des modèles.

Une publication antérieure de notre groupe de recherche a démontré, à l'aide de modèles d'apprentissage automatique, une forte association entre les facteurs de santé mentale – en particulier l'anxiété et la dépression – et la sévérité de la fibromyalgie, avec une influence plus grande que l'intensité de la douleur elle-même. D'autres symptômes prévalents de la fibromyalgie, tels que la fatigue et les troubles de la qualité du sommeil, sont également considérés par les patients comme des contributeurs majeurs à la réduction de la qualité de vie, souvent perçus comme plus impactants que la douleur.

En conséquence, la présente étude vise à développer des modèles prédictifs de la sévérité de la fibromyalgie en utilisant des techniques d'apprentissage automatique et d'intelligence artificielle explicable, intégrant la fatigue et la qualité du sommeil comme nouvelles variables dans l'analyse.

Comprendre la pertinence individuelle et combinée de ces composantes psychosociales dans la détermination de l'état clinique des patients peut contribuer à une meilleure gestion de la maladie et à des stratégies de traitement plus personnalisées, améliorant finalement la qualité des soins.