Prédire les comportements suicidaires chez les étudiants par des méthodes de machine learning

Comment prédire le risque suicidaire chez les étudiants ? C’est une question sans réponse actuellement, alors même qu’on connait l’importance d’une détection et d’une prise en charge précoce. Dans une nouvelle étude publiée dans Scientific Reports du groupe Nature, les chercheurs de nos équipes HEALTHY et SISTM ont identifié un ensemble restreint d’indicateurs de santé mentale qui prédisent avec précision les comportements suicidaires des étudiants. Parmi ces prédicteurs, l’estime de soi.

Le suicide est la deuxième cause de mortalité chez les jeunes et les étudiants sont particulièrement exposés au risque de comportements suicidaires. Une détection précoce permettrait d’aider les étudiants à accéder à une prise en charge adéquate mais identifier les profils à risque dans la population générale est complexe et ne peut se faire qu’avec l’analyse de données de cohortes comme la cohorte i-Share.

Dans cette nouvelle étude réalisée en collaboration avec des chercheurs des universités de Montréal et McGill au Québec, nos chercheurs ont analysé les données de 5066 étudiants suivis plus d’un an.

« L’étude montre qu’environ 17% des étudiants, filles comme garçons, ont des comportements suicidaires, ce qui est un chiffre alarmant. »

En utilisant des techniques d’analyse utilisant l’intelligence artificielle, les chercheurs ont mis au point des modèles permettent d’identifier les principaux prédicteurs des comportements suicidaires. Ils ont inclus plus de 70 caractéristiques mesurées lors de l’examen initial, comme les données sociodémographiques, les paramètres de santé physique et mentale, les antécédents personnels et familiaux, les conditions et habitudes de vie, la consommation de substances et les adversités dans l’enfance.

Un modèle prédictif parcimonieux

Parmi les 70 prédicteurs potentiels, quatre ont montré le pouvoir prédictif le plus élevé chez les filles comme chez les garçons : les pensées suicidaires, l’anxiété, les symptômes de dépression et l’estime de soi. Ces résultats suggèrent que des échelles psychologiques validées et couramment utilisées (l’échelle de Rosenberg pour l’estime de soi, l’échelle STAI-YB de Spielberger pour l’anxiété et la PHQ-9 pour la dépression) seraient suffisamment informatives pour identifier les étudiants susceptibles de présenter des comportements suicidaires.

« Ces travaux suggèrent qu’il est possible de détecter les étudiants à risque de comportement suicidaires à l’aide de quelques échelles courantes ne demandant que quelques minutes. »

Ces résultats doivent reproduits dans d’autres études, mais ils ouvrent la possibilité de dépistage à grande échelle permettant d’identifier les étudiants à risque de suicide pour les orienter vers une prise en charge adéquate.

L’estime de soi : un marqueur important et méconnu

Dans des analyses secondaires effectuées sur un sous-échantillon incluant uniquement les participants qui ne présentaient pas de comportements suicidaires à l’inclusion, les principales variables prédictives étaient les symptômes dépressifs, l’estime de soi et le stress académique chez les filles et majoritairement l’estime de soi chez les garçons. L’estime de soi est donc un marqueur prédictif indépendant et important du risque suicidaire.

« Les spécialistes de santé mentale de nos équipes ne s’attendaient pas à ce que l’estime de soi fasse partie des quatre prédicteurs majeurs des comportements suicidaires » souligne Mélissa Macalli qui a coordonné ces travaux. « Ce résultat, qui n’aurait pas été obtenu sans l’utilisation de techniques d’intelligence artificielle, ouvre des nouvelles perspectives aussi bien de recherche que de prévention. »

Retrouvez la publication scientifique :
Macalli M, Navarro M, Orri M, Tournier M, Thiébaut R, Côté SM, Tzourio C. A machine learning approach to predicting suicidal thoughts and behaviors among college students. Sci Rep 2021

Revue de presse (liste non exhaustive) :
Le Figaro
L’Express
Le Quotidien du médecin
France 3 Aquitaine à 7.25 min
in-24.com
Nach Welt

logo_ISPED logo_SFR-santepublique-societe logo_CHU-Bordeaux logo_Institut-Bergonie logo_INRIA logo_ANRS logo_ARS logo_Charles-Perrens logo_IFSTTAR logo_HONcode