Le 2e prix du poster SSPP a été remis à des collaborateur.ices du DP

Publié par Scuderi Eva le 18.10.2022
B. Silva (PCO), M. Gholam (EPFL), P. Golay (PCO), C. Bonsack (PCO) et S. Morandi (PCO) ont été primé.es pour le poster "Identifier les facteurs prédictifs de l’hospitalisation psychiatrique involontaire par Machine Learning" lors du congrès SSPP 2022

La SSPP

La Société suisse de psychiatrie et psychothérapie (SSPP) compte plus de 2000 membres qui travaillent dans diverses universités et institutions de psychiatrie ou en pratique libre dans des cabinets de psychiatrie-psychothérapie. La SSPP regroupe toutes les associations cantonales de psychiatrie ainsi que des sociétés affiliées vouées à des secteurs spécifiques de la discipline. Le congrès de la SSP accueille chaque année des conférencier.ères de renommée nationale et internationale qui présentent des cours, des ateliers, des symposiums ainsi que des posters.

Le poster « identifier les facteurs prédictifs de l’hospitalisation psychiatrique involontaire par Machine Learning » remporte la deuxième place

La contrainte en psychiatrie (hospitalisation psychiatrique involontaire)  est une question largement débattue. Malgré l'attention politique et éthique croissante portée aux droits humains des patients et le peu de preuves des avantages de la contrainte, son utilisation augmente presque partout. L'identification des facteurs prédictifs de l’hospitalisation psychiatrique involontaire est essentielle pour orienter efficacement le développement d'interventions alternatives. Cependant, les méthodes statistiques traditionnelles rendent l'interaction statistique entre les facteurs de risque difficile à modéliser et à interpréter. Le Machine Learning (ML) peut surmonter cette limitation. Ses algorithmes sont "entraînés" à trouver des structures dans de grandes quantités de données, afin de formuler des prédictions basées sur de nouveaux paramètres et de détecter des interactions auparavant "invisibles" entre les variables. L'objectif de cette étude était donc de surmonter cette limitation en utilisant des méthodes de Machine Learning (ML) pour identifier un modèle simple et fiable de prédiction de l’hospitalisation  involontaire dans un large échantillon de patients psychiatriques.

Les résultats

Toutes les admissions psychiatriques survenues entre 2013 et 2017 dans le canton de Vaud (N = 25’584) ont été analysées rétrospectivement, et les prédicteurs principaux de l'hospitalisation involontaire ont été identifiés à l'aide de deux algorithmes de ML et d’un modèle de régression classique. Les résultats montrent que même si les trois modèles ont atteint une précision similaire (entre 68% et 72%), le CART (Classification and Regression Tree) offre la solution la plus parcimonieuse, permettant d'estimer la probabilité d'être hospitalisé sous contrainte avec seulement trois facteurs : le niveau d’agressivité du patient ;qui a adressé le patient à l'hôpital  ; le diagnostic principal. Grace à ce modèle précis mais simple, plusieurs recommandations pour la pratique clinique et pour la formation des professionnels ont été proposées afin de réduire le recours à la contrainte.

 

 Dernière mise à jour le 01/12/2022 à 12:10