L'apprentissage automatique signale une faible résilience chez les travailleurs de la santé avec une précision de 75 %

Une étude publiée dans Discover Artificial Intelligence a testé si l'apprentissage automatique peut distinguer les travailleurs de la santé présentant une résilience psychosociale élevée de ceux ayant une faible résilience, et les résultats indiquent un signal modeste mais exploitable. L'équipe de recherche, basée à l'Universidad Técnica Particular de Loja, s'est appuyée sur des données d'enquête collectées aux États-Unis pendant la pandémie de COVID-19 et a comparé trois méthodes de classification différentes.

Le cadrage s'écarte délibérément d'une grande partie de la littérature existante. La plupart des recherches sur la santé mentale des travailleurs de la santé se concentrent sur les conséquences négatives telles que l'épuisement professionnel, l'épuisement émotionnel et l'attrition. Cette étude a plutôt tenté de prédire une capacité positive : la capacité à faire face activement au stress et à s'en remettre. Ce changement d'accent est important pour la conception éventuelle des programmes de soutien, car il pose la question de ce qui permet aux personnes de continuer à fonctionner plutôt que de ce qui les brise.

Trois algorithmes, un vainqueur clair

L'équipe a entraîné trois modèles de classification sur le même ensemble de réponses d'enquête : la régression logistique, un classificateur de forêt aléatoire et une machine à vecteurs de support (SVM). Chaque modèle devait assigner les répondants à l'un de deux groupes, résilience élevée ou faible, puis les algorithmes ont été comparés sur la fréquence de leurs assignations correctes.

• Régression logistique : 75,6 % de précision, avec une aire sous la courbe ROC de 0,816
• Forêt aléatoire : 72,6 % de précision
• Machine à vecteurs de support : 70,8 % de précision

La régression logistique a produit les meilleurs résultats. L'aire sous la courbe ROC mesure la capacité d'un modèle à séparer deux classes pour tous les seuils de décision possibles, et une valeur de 0,816 indique une discrimination raisonnablement bonne, bien qu'elle soit loin de la perfection. Notamment, la plus simple des trois méthodes a surpassé les deux alternatives plus élaborées, un schéma qui apparaît régulièrement dans les données d'enquête tabulaires où les relations entre variables sont globalement linéaires et l'échantillon de taille modérée.

D'où provenaient les données d'entraînement

Les modèles ont besoin d'exemples pour apprendre. Les chercheurs ont utilisé l'ensemble de données How Right Now Mental Health & Coping, collecté par NORC à l'Université de Chicago entre 2021 et 2022. Il contient les réponses de 2 055 personnes aux États-Unis, recueillies pendant une période de la pandémie où les hôpitaux et les cliniques fonctionnaient sous une pression soutenue, avec des pénuries de personnel et une demande de patients exceptionnellement élevée.

Construction d'un indice de résilience

Avant de pouvoir entraîner un modèle, les chercheurs avaient besoin d'une variable mesurable à prédire. Ils ont construit un indice de résilience à partir de quatre variables psychométriques : la résilience elle-même, la capacité à rebondir, le contrôle et la confiance. Ces composantes ont été combinées puis divisées en deux niveaux en utilisant la médiane comme point de coupure, produisant une cible binaire de résilience élevée ou faible pour chaque répondant. La division à la médiane garantit un ensemble équilibré de classes, ce qui rend les chiffres de précision comparables entre modèles, mais signifie aussi que les deux groupes sont définis l'un par rapport à l'autre plutôt que par rapport à un seuil clinique absolu.

Ce qui prédit une faible résilience

Lorsque les modèles ont été inspectés pour voir quelles entrées pesaient le plus, trois facteurs ont dominé. Le stress était le contributeur le plus fort, avec un poids de 0,182, suivi de la dépression à 0,160 et de l'anxiété à 0,145. Le désespoir et les changements dans les habitudes de sommeil venaient ensuite, complétant un groupe de variables qui, ensemble, signalaient une probabilité accrue d'appartenir au groupe à faible résilience.

L'ordre est intuitif, mais il reste instructif. Il suggère que le fardeau accumulé de la détresse, plutôt qu'un symptôme isolé, façonne la capacité d'un travailleur de la santé à conserver les ressources psychologiques nécessaires pour continuer à faire face. Les approches de dépistage fondées sur ce type de pondération pourraient, en principe, identifier les personnes dont la combinaison de stress, d'humeur dépressive et d'anxiété les place à risque plus élevé, avant que ce risque ne se traduise par un épuisement professionnel ou un départ de la profession.

Les stratégies d'adaptation semblent s'accumuler

Les comportements d'adaptation sont entrés dans le modèle avec des poids individuels plus faibles, mais ils étaient systématiquement associés à une plus grande résilience. La recherche de soutien social, la pratique de loisirs, la prière et la méditation pointaient toutes dans la même direction, suggérant que ces habitudes accompagnent une résilience plus élevée même si elles contribuent moins à la prédiction que les variables liées à la détresse.

Plus frappant encore était la façon dont ces comportements se combinaient. Les chercheurs ont constaté que l'effet semblait cumulatif : les répondants qui déclaraient utiliser plusieurs stratégies d'adaptation à la fois avaient, en moyenne, des scores de résilience plus élevés que ceux qui n'en utilisaient qu'une seule. Ce schéma suggère que l'étendue peut compter autant que l'intensité en matière d'habitudes protectrices. C'est aussi le type de résultat qu'une enquête ponctuelle ne peut pas entièrement expliquer, car un plan transversal ne peut pas établir si les stratégies ont produit les scores plus élevés ou si les personnes déjà résilientes étaient simplement plus susceptibles de les adopter.

Limites des preuves

Les auteurs sont francs sur les limites de leurs résultats. Les données capturent un seul moment dans le temps plutôt que de suivre les individus sur des mois ou des années, de sorte que l'étude ne peut pas montrer comment la résilience augmente ou diminue, ni dans quel sens va la relation avec les comportements d'adaptation. Toutes les mesures reposent sur les déclarations des participants, qui peuvent être influencées par l'humeur, la mémoire et les attentes sociales. Et l'échantillon provient entièrement des États-Unis.

Ces contraintes limitent la portée des conclusions à d'autres systèmes de santé, y compris ceux d'Amérique latine, où les conditions de travail, les modèles de dotation, les structures salariales et les attitudes culturelles envers la santé mentale peuvent tous différer. Un modèle entraîné sur les répondants d'un pays n'est pas automatiquement transférable à un autre, même lorsque les concepts psychologiques sous-jacents sont similaires.

Les prochaines étapes proposées

L'équipe de recherche trace une voie claire. Premièrement, valider le modèle auprès de travailleurs de la santé en Amérique latine pour tester si les mêmes prédicteurs tiennent dans un marché du travail et un contexte de système de santé différents. Deuxièmement, enrichir les données d'entrée avec des mesures supplémentaires, telles que des données de sommeil ou des indicateurs physiologiques, qui pourraient compléter les réponses autodéclarées et réduire la dépendance de l'étude à l'évaluation subjective.

Si cette validation réussit, l'approche pourrait soutenir quelque chose de plus pratique qu'un résultat de recherche : un moyen d'identifier quels membres du personnel pourraient bénéficier le plus d'un soutien, et quelles combinaisons de stratégies d'adaptation semblent les protéger. Les auteurs s'abstiennent de prétendre que le modèle est prêt à être déployé, et les chiffres de précision justifient cette prudence.

Pourquoi le résultat compte

Les effectifs des soins de santé ont absorbé une pression énorme ces dernières années, et la décision de modéliser la résilience plutôt que seulement le déficit est significative. Un taux de précision de 75,6 % n'est pas un outil de diagnostic, et les chercheurs ne le présentent pas comme tel. Mais cela suggère que les réponses d'enquête recueillies en routine contiennent un schéma apprenable, qu'une régression logistique simple peut lire au moins aussi bien que des alternatives d'apprentissage automatique plus lourdes. Pour les systèmes de santé qui évaluent comment orienter des ressources limitées en santé mentale, c'est un signal qui mérite d'être validé davantage.

Cet article est basé sur un reportage de Medical Xpress. Lire l'article original.