Le modèle d’IA analyse les publications sur les réseaux sociaux pour détecter les signes de dépression

Les médias sociaux sont en quelque sorte une caisse de résonance dans le monde d’aujourd’hui. C’est un endroit où les gens vont partager leurs pensées, leurs opinions et leurs sentiments – et pour tester également les réactions des autres. En retour, ils reçoivent des commentaires, souvent en temps réel, ainsi que le soutien et la validation.

Pour certaines personnes, le partage à l’écran peut également fournir un point d’entrée plus facile à la communication – même s’ils n’en sont pas entièrement conscients – pour partager en personne ou en face-à-face.

« Sur les réseaux sociaux, les individus perçoivent souvent une distinction entre leur personnalité en ligne et leur identité du monde réel. Certaines personnes se sentent plus à l’aise pour divulguer des sentiments comme le désespoir ou des expériences comme le divorce ou la perte d’emploi, en raison de l’anonymat ou de la distance adjointe des systèmes d’information et de la distance comptabilisés par les médias sociaux de l’Iowa. « Ces traces numériques sont ce que nous voulons extraire. »

Zhang fait partie d’une équipe de recherche qui a développé un modèle d’apprentissage en profondeur pour détecter les symptômes de santé mentale et les facteurs de risque sur les réseaux sociaux. Leur étude – « Détection de dépression à l’aide de traces numériques sur les réseaux sociaux: une approche d’apprentissage en profondeur consciente des connaissances » – a été publiée dans le Journal of Management Information Systems et se concentre sur la dépression.

La dépression est l’une des maladies mentales les plus courantes aux États-Unis. Selon l’Institut national de la santé mentale (NIMH), environ 21 millions d’adultes américains – ou 8,3% de tous les adultes aux États-Unis – ont expérimenté au moins un épisode dépressif majeur en 2021. De ces adultes, environ 61% ont reçu un traitement, rapporte le NIMH.

« La dépression et d’autres troubles de la santé mentale sont généralement sous-diagnostiqués et par conséquent sous-traités », explique Zhang. « La stigmatisation peut empêcher un patient de répondre honnêtement lors d’un dépistage de la santé dans un cabinet de médecin, donc avec cette recherche, notre objectif est d’identifier et d’offrir une autre approche complémentaire. »

Applications potentielles

Zhang souligne que le «cadre de détection de dépression approfondi des connaissances» a des applications potentielles pour les individus, ainsi que les professionnels de la santé publique, les décideurs et les chercheurs.

Les sociétés de médias sociaux pourraient utiliser le modèle pour créer un système d’alerte précoce, suggérant que les individus devraient demander de l’aide et leur fournir des ressources, tandis que les professionnels de la santé publique et les décideurs peuvent examiner les données au niveau de la population pour déterminer quels emplacements ou démographie nécessitent plus de services de santé mentale.

Quant aux chercheurs, Zhang affirme que le modèle offre une occasion unique de collecter des données au niveau de la population au fil du temps.

« Par exemple, nous pourrions examiner les 10 dernières années de données X (anciennement Twitter) et l’associer à différents événements – wars, pandémies, etc. Il n’y a aucun moyen d’obtenir ce niveau de données des enquêtes », explique Zhang.

Zhang note que d’autres chercheurs ont développé des modèles pour détecter la dépression sur les réseaux sociaux; Cependant, le «cadre de détection de dépression approfondi dans les connaissances» diffère des travaux existants car il compare la terminologie médicale pour les risques et symptômes de dépression avec les publications des médias sociaux d’un individu au fil du temps.

« Des études antérieures ont examiné les articles avec des sentiments positifs ou négatifs, ce que nous ne pensons pas être exact pour la détection de la dépression parce que quelqu’un pourrait se plaindre d’un mauvais film, d’un mauvais temps, etc. Cependant, ce ne sont pas des indicateurs de quelqu’un souffrant de dépression. Donc, je pense que c’est une énorme différence entre notre modèle et d’autres études précédentes », dit Zhang.

Zhang et son collègue de chercheurs ont enseigné à leur modèle comment détecter les systèmes de dépression et les risques en utilisant plus de 1,3 million de postes d’archives Reddit et 2 500 entrées WebMD. Zhang affirme que le modèle peut également utiliser d’autres plateformes de médias sociaux et ensembles de données, et une autre étude examinée indique qu’une nouvelle version du modèle peut détecter des troubles de santé mentale supplémentaires.

Préoccupations éthiques et confidentielles

Zhang et ses co-auteurs disent que l’utilisation des médias sociaux pour détecter les symptômes et les facteurs de risque de maladies chroniques pourrait être une intervention rentable car les publications publiques fournissent un ensemble de données important, diversifié et gratuit. Cependant, ils reconnaissent qu’il existe des préoccupations éthiques et liées à la vie privée qui doivent être traitées.

« La lutte contre le potentiel d’abus et d’assurer l’utilisation responsable des modèles d’apprentissage automatique de détection de dépression basés sur les médias sociaux implique une combinaison de considérations éthiques, de garanties juridiques et de mesures techniques », explique Zhang.

Zhang dit que les plateformes de médias sociaux devraient prioriser le consentement éclairé lors de la collecte de données pour les modèles d’apprentissage automatique liés à la santé, même si les données sont anonymisées. Cela comprend la communication de l’objectif de la collecte de données et de la façon dont il sera utilisé et d’obtenir un consentement explicite des utilisateurs.

Elle dit que les sociétés de médias sociaux devraient également s’assurer que les pratiques de collecte, de stockage et d’utilisation des données sont conformes aux lois et réglementations en matière de confidentialité, y compris la réglementation générale de la protection des données et la loi sur la portabilité et la responsabilité de l’assurance maladie.

« Les décideurs peuvent établir des comités de surveillance éthique ou des conseils d’examen qui incluent des experts en matière de confidentialité, d’éthique des données et de santé mentale pour guider les implications éthiques de la recherche et le développement de modèles de machines », explique Zhang. « Les chercheurs ont également un rôle dans le partage des avantages et des limites potentiels des modèles de détection de dépression sur les médias sociaux avec les parties prenantes et le plus grand public. »

À l’avenir, Zhang et son équipe veulent étendre leur modèle pour inclure d’autres aspects de la santé, notamment le diabète, les maladies cardiaques et l’asthme. Ils envisagent l’incorporation de photos, de vidéos et d’audio des médias sociaux pour capturer plus de données comportementales. Des images fréquentes d’aliments gras ou riches pourraient signaler les risques pour les maladies cardiovasculaires, par exemple, tandis que les visuels avec des niveaux élevés de pollution atmosphérique pourraient avertir les gens d’asthme.

Zhang dit que l’apprentissage automatique ne remplace pas les soins de santé traditionnels. Il s’agit plutôt d’une autre approche pour aider les individus et fournir des données au niveau de la population pour aider les prestataires et les décideurs.