Computational psychiatry: towards a theory-driven psychopathology
La psychiatrie computationnelle : vers une nouvelle approche théorique de la psychopathologie
Résumé
The aetiology of psychiatric disorders remains poorly understood, despite significant progress in neurosciences and psychopharmacology. These approaches might be limited by their lack of causal account linking psychiatric symptoms and neurobiological data. This dissertation presents a new theoretical approach of psychopathology, i.e. computational psychiatry, that aims to develop and test hypotheses about the algorithms that the brain implements to produce observable behavior. To that purpose, we review two major computational models. First, models from reinforcement learning and neuro-economics give a novel account of symptoms as a decision making process gone awry (such as addiction, impulsiveness, compulsions or apathy). Then, we examine how Bayesian modeling of probabilistic inference enlightens psychotic symptoms. Finally, we discuss the limitations and future applications of computational approaches in psychiatry.
L’étiologie des maladies psychiatriques est encore mal connue, malgré d’importants progrès en neurosciences et en psychopharmacologie. La limite que rencontrent ces approches tient probablement à l’absence de modèles explicatifs permettant de lier causalement les symptômes psychiatriques et les données neurobiologiques. Cette thèse aborde une nouvelle approche théorique de la psychopathologie, la psychiatrie computationnelle, dont l’objectif est de proposer et de tester empiriquement des hypothèses quant aux algorithmes implémentés par le cerveau, à l’origine des comportements observés. Pour cela, nous présentons deux grands types de modèles computationnels. Premièrement, les modèles issus de l’apprentissage par renforcement et de la neuro-économie, permettent de redéfinir les symptômes traduisant une altération de la prise de décision (addiction, impulsivité, compulsions, apathie). Deuxièmement, nous examinons en quoi les modèles bayésiens d’inférence probabiliste apportent un éclairage sur les symptômes psychotiques. Enfin, nous discutons dans un troisième temps les limites et perspectives de l’approche computationnelle en psychiatrie.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
