Facteurs prédictifs de la réponse au MBCT pour les patients souffrant de trouble dépressif : le point de vue des statistiques et du machine learning - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2020

Facteurs prédictifs de la réponse au MBCT pour les patients souffrant de trouble dépressif : le point de vue des statistiques et du machine learning

Résumé

Objectives: Whether there is abundant literature relating to the benefits of Mindfulness Based Interventions, data about factors associated with efficiency are scarce. Our study attempts to determine the predictors of efficacy and adherence in the Mindfulness Based Cognitive Therapy (MBCT) with a classic statistical analysis and a machine learning analysis. Methods: 76 psychiatric outpatients at “Conception Psychiatric Pole” were included. They had to answer a battery of clinical, mindfulness and psychological functioning self-report questionnaires before, after MBCT and 6 months post-MBCT. Data were compared using the Chi-square test, or Fisher's exact test when Chi-square’s conditions were not met. Machine learning analysis is based on the support vector machine method. Results: For the efficacy predictors, the classic statistical analysis finds marital status (living in couple), the presence of pharmacological treatment, a severe depressive episode assessed by the BDI (Beck> 15) and a high anxiety-state score at STAI (54 on average). The machine learning analysis finds a two-dimensional model: a severe depressive episode assessed by the BDI (Beck> 25) and a trait mindfulness score (FFMQ> 90) would be efficacy predictors (sensitivity 79.3% specificity 71.9%). For the predictors of compliance, the classic statistical analysis finds a mild to moderate depressive episode with a high Observation facet (27 on average) and an high physical limitation at SF-36 (55 on average). The machine learning analysis finds a three-dimensional model with a low or high FMI score, a low or high bodily dissociation score, and a low self-compassion score (sensitivity 48.4% specificity 71.9%). Conclusion: The predictive power of machine learning makes it possible to establish standard patient profiles to allow personalized care. It would be interesting to include in MBCT more psychoeducation in order to maximize clinical benefits and adherence to the program.
Objectifs : bien qu’il existe une littérature abondante sur les bénéfices des interventions basées sur la méditation de pleine conscience, les données à propos des facteurs associés à leur efficacité sont rares. Notre étude tente de déterminer les prédicteurs de l’efficacité et de la compliance au programme Mindfulness Based Cognitive Therapy (MBCT) avec une analyse statistique classique couplée à une analyse en machine learning. Méthode : 76 patients suivis au Pôle psychiatrique de la Conception ont été inclus. Ils ont dû répondre à une batterie d’auto-questionnaires cliniques, d’évaluation du niveau de pleine conscience et du fonctionnement psychologique avant, après et 6 mois post-MBCT. Les données ont été comparées en utilisant le test du Chi² ou le test exact de Fisher quand les conditions du Chi² n’étaient pas remplies. Les analyses en machine learning sont basées sur la méthode du Support Vector Machine (SVM). Résultats : pour les facteurs prédictifs d’efficacité, l’analyse statistique classique retrouve le statut marital en couple, la présence d’un traitement pharmacologique, un épisode dépressif sévère évalué par la BDI (Beck>15) et un score d’anxiété-état élevé à la STAI (54 en moyenne). L’analyse en machine learning retrouve un modèle bidimensionnel : un épisode dépressif sévère évalué par la BDI (Beck>25) et un haut score de pleine-conscience ressource (FFMQ>90) seraient des facteurs d’efficacité (sensibilité 79,3% spécificité 71,9%). Pour les facteurs prédictifs de compliance, l’analyse statistique classique retrouve un épisode dépressif léger à modéré et une limitation physique à la SF-36 élevée (55 en moyenne). L’analyse en machine learning retrouve un modèle tridimensionnel avec un score FMI hors normes, un score de dissociation corporelle hors normes, un score d’auto-compassion faible (sensibilité 48,4% spécificité 71,9%). Conclusion : le pouvoir prédictif du machine learning permet d’établir des profils-type de patients afin de permettre un soin personnalisé. Il serait intéressant d’inclure dans le MBCT plus de psychoéducation afin de maximiser les bénéfices cliniques et la compliance au programme.
Fichier principal
Vignette du fichier
These_exemplaire_final_dethoor(1).pdf (1.68 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

dumas-02921546 , version 1 (25-08-2020)

Identifiants

  • HAL Id : dumas-02921546 , version 1

Citer

Manon Dethoor. Facteurs prédictifs de la réponse au MBCT pour les patients souffrant de trouble dépressif : le point de vue des statistiques et du machine learning. Sciences du Vivant [q-bio]. 2020. ⟨dumas-02921546⟩
121 Consultations
340 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More