Guider les thérapeutes dans l'amélioration de la réponse thérapeutique d'un patient à l'aide de l'intelligence artificielle pour la thérapie par Avatar

Abstract

Dans le contexte de la psychiatrie moderne, les troubles de santé mentale graves et persistants, notamment la schizophrénie, présentent des défis thérapeutiques considérables. La schizophrénie, en particulier, impacte profondément le fonctionnement des individus, notamment à travers des symptômes tels que les hallucinations. Ces manifestations peuvent affecter de manière délétère les interactions interpersonnelles des patients, leur régulation émotionnelle et sont associées à un taux de suicide nettement supérieur à celui de la population générale. Face à la résistance aux traitements psychopharmacologiques de première ligne, des thérapies non-pharmacologiques ont été développées, dont la thérapie par Avatar (TA) en réalité virtuelle (RV), qui permet aux patients souffrant d'hallucinations auditives résistantes aux médicaments d'interagir avec une représentation en 3D de leur voix perturbatrice. Bien que cette thérapie ait montré une réduction des hallucinations et une amélioration de la qualité de vie, certains patients restent réfractaires, ce qui pose des défis dans leur prise en charge.

L'utilisation de données quantitatives en médecine a amélioré les approches thérapeutiques pour les patients présentant des troubles complexes. Les thérapeutes s'appuient sur des outils numériques basés sur des algorithmes mathématiques pour guider leur prise de décision clinique. L'intelligence artificielle, notamment l'apprentissage machine, se développe en médecine clinique pour aider les thérapeutes à prédire l'évolution des patients et à choisir le traitement approprié. Cependant, en psychiatrie, où les modèles biopsychosociaux sont prédominants, l'utilisation de données quantitatives dans les interventions psychothérapeutiques est moins courante. Les thérapeutes s'appuient souvent sur des guides de pratique génériques et leur expérience clinique, ce qui peut être insuffisant, particulièrement pour les patients atteints de schizophrénie réfractaire à la médication.

Cette thèse vise à intégrer les principes de l'intelligence artificielle dans la thérapie par Avatar pour améliorer la réponse thérapeutique des patients souffrant de schizophrénie avec des hallucinations auditives réfractaires aux médicaments. Elle se concentre sur cinq sous-objectifs : l'utilisation de l'intelligence artificielle pour prédire les issues cliniques des patients atteints de troubles mentaux graves, l'évaluation des possibilités d'intégration de l'IA en psychothérapie, l'utilisation de l'apprentissage machine dans la TA pour l'annotation automatique des séances, l'intégration des algorithmes d'apprentissage machine pour prédire la réponse des patients à la TA, et l'identification des facteurs prédictifs multimodaux améliorant la prédiction des issues cliniques.

La première partie de la thèse concerne une étude transversale utilisant l'apprentissage machine pour identifier des facteurs prédicteurs de violence chez des patients souffrant de troubles mentaux graves, en se concentrant sur les liens entre la consommation de cannabis et la violence. Les résultats indiquent que l'utilisation du cannabis est un prédicteur clé de la violence. La deuxième partie évalue l'intégration de l'IA en psychothérapie, à travers deux revues de littérature. La première examine l'utilisation de l'apprentissage machine sur des petites bases de données pour l'annotation automatisée des transcriptions de séances thérapeutiques. La seconde se concentre sur l'utilisation de l'IA, notamment les réseaux neuronaux, en psychothérapie clinique.

La troisième partie explore l'utilisation de l'apprentissage machine dans la TA, en comparant différents algorithmes pour la classification automatisée des interactions thérapeutiques et en utilisant des techniques d'apprentissage non-supervisé pour identifier des groupes d'interactions. La quatrième partie s'appuie sur les précédentes pour intégrer des algorithmes d'apprentissage machine afin de prédire la réponse clinique des patients à la TA, en se basant sur les interactions thérapeutiques lors de la première séance de thérapie immersive. Enfin, la cinquième partie présente deux études supplémentaires : une sur l'identification des émotions dans la TA et une autre sur le concept de dyades thérapeutiques, illustrant l'importance de la relation entre le thérapeute et le patient dans la TA.

En conclusion, cette thèse apporte une contribution significative à la compréhension des processus thérapeutiques dans la TA via l'intelligence artificielle, en ouvrant la voie à des approches personnalisées basées sur des modèles mathématiques pour améliorer la prise en charge des patients atteints de schizophrénie réfractaire.

In the context of modern psychiatry, severe and persistent mental health disorders, particularly schizophrenia, present significant therapeutic challenges. Schizophrenia profoundly impacts the functioning of individuals, especially through symptoms like hallucinations. These manifestations can detrimentally affect the interpersonal interactions of patients, their emotional regulation, and are associated with a suicide rate significantly higher than that of the general population. Faced with resistance to first-line psychopharmacological treatments, non-pharmacological therapies have been developed, including Avatar Therapy (TA) in virtual reality (RV), which allows patients suffering from medication-resistant auditory hallucinations to interact with a tridimensional representation of their most disturbing voice. Although this therapy has shown a reduction in hallucinations and an improvement in the quality of life, some patients remain refractory, posing challenges in their management. The use of quantitative data in medicine has improved therapeutic approaches for patients with complex disorders. Therapists rely on digital tools based on mathematical algorithms to guide their clinical decision-making. Artificial intelligence, particularly machine learning, is currently developing in clinical medicine to help therapists predict patients' outcomes and choose appropriate treatments. However, in psychiatry, where biopsychosocial models are predominant, the use of quantitative data in psychotherapeutic interventions is less common. Therapists often rely on generic practice guidelines and their clinical experience, which may be insufficient, especially for patients with medication-refractory schizophrenia. This thesis aims to integrate the principles of artificial intelligence into Avatar Therapy to improve the therapeutic response of patients suffering from schizophrenia with medication-resistant auditory hallucinations. It focuses on five sub-objectives: using artificial intelligence to predict clinical outcomes of patients with severe and persistent mental disorders, evaluating the possibilities of integrating AI in psychotherapy, using machine learning in AT for the automated annotation of sessions, integrating machine learning algorithms to predict patients' responses to AT, and identifying multimodal predictive factors to improve the prediction of clinical outcomes. The first part of the thesis involves a cross-sectional study using machine learning to identify predictors of violence in patients with severe and persistent mental disorders, focusing on the links between cannabis use and violence. The results indicate that cannabis use is a key predictor of violence. The second part assesses the integration of AI in psychotherapy through two literature reviews. The first review examines the use of machine learning on small datasets for the automated annotation of therapeutic session transcripts. The second focuses on the use of AI, particularly neural networks, in clinical psychotherapy. The third part explores the use of machine learning in AT, comparing different algorithms for the automated classification of therapeutic interactions and using unsupervised learning techniques to identify groups of interactions. The fourth part builds on the previous ones to integrate machine learning algorithms to predict the clinical response of patients to AT, based on the therapeutic interactions during the first immersive therapy session. Finally, the fifth part presents two additional studies: one on identifying emotions in AT and another on the concept of therapeutic dyads, illustrating the importance of the relationship between the therapist and the patient in AT. In conclusion, this thesis makes a significant contribution to understanding the therapeutic processes in AT through artificial intelligence, paving the way for personalized approaches based on mathematical models to improve the management of patients with medication-refractory schizophrenia.