S'abonner

Les trois cultures de la psychiatrie computationnelle - 16/01/21

The three cultures of computational psychiatry

Doi : 10.1016/j.amp.2020.11.011 
Christophe Gauld a, b, , Guillaume Dumas c, d, Éric Fakra e, f, Jérémie Mattout g, h, Jean-Arthur Micoulaud-Franchi i, j
a Institut d’histoire et de philosophie des sciences et des techniques, 13, rue du Four, 75006 Paris, France 
b Département de psychiatrie, centre hospitalier universitaire Grenoble-Alpes, avenue du Maquis-de-Grésivaudan, 38000 Grenoble, France 
c Precision psychiatry and social physiology laboratory, CHU de Sainte-Justine Research Center, department of psychiatry, university of Montreal, Quebec, Canada 
d Mila – Quebec artificial intelligence institute, university of Montreal, Quebec, Canada 
e Department of psychiatry, university hospital of Saint-Étienne, Saint-Étienne, France 
f INSERM, U1028; CNRS, UMR5292, Lyon neuroscience research center, psychiatric disorders: from resistance to response, PSYR2 Team, Lyon, France 
g University Lyon 1, 69000 Lyon, France 
h Lyon neuroscience research center, CRNL; INSERM, U1028; CNRS, UMR5292; brain dynamics and cognition team, 69000 Lyon, France 
i Service universitaire de médecine du sommeil (SUMS), CHU de Bordeaux, place Amélie-Raba-Léon, 33076 Bordeaux, France 
j USR CNRS 3413 SANPSY, CHU de Pellegrin, université de Bordeaux, Bordeaux, France 

Auteur correspondant.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

pages 9
Iconographies 2
Vidéos 0
Autres 0

Résumé

Le champ de la psychiatrie computationnelle prend de l’ampleur depuis quelques années. Dans cet article, nous proposons de distinguer trois champs de la psychiatrie computationnelle. Le premier champ correspond à la Digital Psychiatry, ou psychiatrie utilisant les outils numériques, qui peut être définie comme un champ de la psychiatrie qui utilise des outils connectés pour recueillir des données numériques. Le deuxième champ correspond à la Big Psychiatry, ou psychiatrie fondée sur les données massives, qui traite de grandes quantités de données, en particulier par des méthodes d’apprentissage automatique, une des branches de l’intelligence artificielle. Le troisième champ correspond à la Psychiatry Modeling, ou modélisation en psychiatrie utilisant notamment les neurosciences computationnelles, avec le développement et l’utilisation de modèles formels (mathématiques) du fonctionnement (et dysfonctionnement) cérébral et cognitif, afin de caractériser les mécanismes à l’origine des symptômes observés en clinique. Ces trois champs se complètent et sont fortement dépendants les uns des autres. Ainsi, l’accès aux données est fourni par la Digital Psychiatry ; le traitement des données est opéré par la Big Psychiatry ; et la formalisation des hypothèses est offerte par la Psychiatry Modeling. Cette triple organisation de la psychiatrie computationnelle offre un cadre de réflexion robuste pour appréhender la psychiatrie personnalisée et de précision, articulée autour de méthodologies statistiques et mathématiques, axée sur la prédiction et l’explication et utilisant des données qualitativement et quantitativement variées – tout en s’adressant nécessairement à un sujet commun, le patient de la clinique psychiatrique.

Le texte complet de cet article est disponible en PDF.

Abstract

Introduction

Whether on the social, economic or scientific level, the digital sciences tend to change the conception of health. Computational Psychiatry, in the sense of a psychiatry based on “numbers” and information flow, has evolved rapidly.

Methods

In this article, we propose the distinction between three fields of Computational Psychiatry. A first field corresponds to “Digital Psychiatry”, i.e. a field using digital, connected, tools in the main goal to collect digital data (especially important in this period of COVID-19). A second field corresponds to “Big Psychiatry”, or Big Data Psychiatry, which deals with large amounts of data, e.g. through recent methodologies in Machine learning or artificial intelligence. A third field corresponds to “Psychiatry Modeling”, which corresponds to the utilization of formal hypothesis (i.e. mathematical models) about brain and behavior (and their dysfunctions) in line with computational neurosciences.

Results

The collection of digital data fits into methodologies of assessments and interventions in daily life, named Ecological Momentary Assessment. Of course, these digital data, which differ quantitatively and qualitatively from what psychiatry has been able to collect in its history, raise numerous epistemological and ethical questions. In the field of Big Psychiatry, most Machine learning techniques provide predictions rather than pathophysiological mechanisms, and these Machine learning techniques makes it possible to propose new delineations of disorders in a logic of stratified medicine. Lastly, resulting from studies in computational neurosciences, explanatory modeling of the brain (often called “Generative modeling”) proposes a number of theories to understand the functioning of the brain in psychiatric disorder (e.g. predictive coding, reinforcement learning, decision making theories, but also dynamical systems theories and graph and network theory).

Discussion and conclusion

This field could offer a framework to characterize the origin of the psychiatric symptoms. Obviously, these three fields are highly mutually dependent, with for instance a data access provided by Digital Psychiatry (with Digital Tools), a data processing operated by Big Psychiatry (with Machine learning) and a formalization of hypotheses offered by Generative modeling of the brain from Psychiatry Modeling. This triple organization of Computational Psychiatry offers a robust framework for personalized and precision psychiatry, articulated around statistical and mathematical methodologies, focused on prediction and explanation and using qualitatively and quantitatively varied data. However, such a framework is necessarily geared to a common subject: the patient of the psychiatric clinic.

Le texte complet de cet article est disponible en PDF.

Mots clés : Apprentissage automatique, Données massives, Intelligence artificielle, Neurosciences, Outils numériques, Objets connectés, Physiopathologie, Psychiatrie computationnelle

Keywords : Artificial intelligence, Big data, Computational psychiatry, Digital tools, Machine learning, Neuroscience, Pathophysiology


Plan


© 2020  Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 179 - N° 1

P. 63-71 - janvier 2021 Retour au numéro
Article précédent Article précédent
  • La crise de la COVID-19, révélatrice des enjeux de la psychiatrie computationnelle
  • Héloïse Haliday, Christophe Gauld, Jean-Arthur Micoulaud-Franchi
| Article suivant Article suivant
  • Traduction en français de trois textes clefs contemporains sur de nouvelles propositions de classifications en psychiatrie : RDoC, HiTOP et approche en réseau de la psychopathologie
  • Christophe Gauld, Jean-Arthur Micoulaud-Franchi, Anne-Marie Gagné-Julien, Élodie Giroux, Steeves Demazeux

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.