Gagnants du Prix de l'innovation en santé mentale
Découvrez les projets gagnants, récompensés chacun par $50 000 de notre prix d'innovation en santé mentale RSMC-IAM.
Financé en partenariat avec l'Institute for Advancements in Mental Health (IAM), le prix de l'innovation en santé mentale RSMC-IAM vise à soutenir le développement et la recherche de projets d'intelligence artificielle / d’apprentissage automatique / de mégadonnées dans leur application pour l'amélioration de la santé mentale au Canada.
Prédire le risque de surdose d'opioïdes à l'aide de l'apprentissage automatique : évaluation d'une approche d'IA
Un merci spécial à ATB Financial pour son soutien à ce projet basé en Alberta.
Co-chercheurs principaux : Giri Puligandla, Association canadienne pour la santé mentale – Région d'Edmonton et Dr Bo Cao, Université de l'Alberta
L'abus d'opioïdes est une crise sanitaire majeure qui nécessite des solutions. Au Canada, la surdose d'opioïdes est liée à plus de 16 000 décès depuis 2016.
Nous nous appuyons sur un modèle existant pour une prédiction précise des surdoses d'opioïdes et l'identification des facteurs de risque à l'aide de données de santé à grande échelle et de l'apprentissage automatique. Les cas d'utilisation potentiels pour l'application du modèle sont faciles à imaginer : les services de proximité et d'urgence pourraient appliquer des approches de surveillance ciblées, les prestataires de services pourraient intervenir de manière proactive auprès des personnes à haut risque et les gouvernements pourraient allouer stratégiquement les ressources de prévention. Néanmoins, il existe des risques importants tels que la sursurveillance, la stigmatisation et la perte d'autonomie personnelle de la part des personnes ayant une expérience de vie.
Les fournisseurs de services, les utilisateurs institutionnels des connaissances (comme le gouvernement et la police) et les personnes ayant une expérience vécue seront engagés pour guider l'amélioration du modèle prédictif et apporter des informations concrètes sur les risques et les avantages potentiels de son application. Ce projet est novateur en ce sens qu'il engage les communautés et les parties prenantes dès le début du développement de nouvelles technologies, plutôt que de leur imposer des outils après coup.
Utilisation de mesures de phénotypage numérique pour prédire les symptômes et les résultats fonctionnels lors du premier épisode de psychose
Co-chercheurs principaux : Dr JianLi Wang, Département de santé communautaire et d'épidémiologie, Université Dalhousie et Dr Phil Tibbo, professeur au Département de psychiatrie, Université Dalhousie et directeur clinique du programme Early Psychosis Intervention Nova Scotia (EPINS) (Nova Santé Scotia)
Les troubles psychotiques, dont la schizophrénie, sont des troubles mentaux graves affectant 2 à 3 % de la population et se classent parmi les principales causes d'invalidité dans le monde. Bien qu'une intervention précoce soit efficace pour améliorer l'issue de la maladie, une proportion importante de patients atteints d'un premier épisode de psychose (PEP) présentent une déficience fonctionnelle persistante même après une rémission clinique.
Une prédiction précise des trajectoires des patients PEP permettra aux cliniciens de sélectionner de meilleures interventions au début, conduisant à de meilleurs résultats pour les patients et une meilleure qualité de vie. Cependant, prédire les résultats des patients atteints de PEP est difficile car les évaluations des facteurs cliniques et comportementaux sont souvent basées sur l'auto-déclaration du patient, qui est vulnérable aux biais de rappel et de notification. Les biais peuvent réduire la précision de la prédiction des résultats.
Le phénotypage numérique, qui fait référence à l'utilisation d'appareils mobiles (par exemple, smartphone, portable) pour initier la collecte de données dans la vie quotidienne, a un grand potentiel pour résoudre ces problèmes.
L'objectif de ce projet est de développer et de mettre en œuvre des modèles de prédiction des symptômes et des résultats fonctionnels dans le PEP, en utilisant à la fois des données de phénotypage autodéclarées et numériques. En cas de succès, les modèles de prédiction amélioreront considérablement la capacité des cliniciens à prédire les résultats et à prendre des décisions, ce qui conduira à de meilleurs résultats pour les patients et à une meilleure qualité de vie.