Corrélats cérébraux de l’anxiété catégorielle et dimensionnelle

Les troubles anxieux sont très répandus et représentent une lourde charge de morbidité. Cependant, malgré une abondante littérature sur la neuro-imagerie à l’échelle du groupe, des marqueurs cérébraux robustes de vulnérabilité ou de réponse thérapeutique peinent à émerger. Ces dernières années, les approches de prédiction à l’échelle individuelle utilisant l'apprentissage automatique sont devenues de plus en plus populaires dans la recherche en santé mentale, et certains résultats prometteurs ont été rapportés dans des études de neuro-imagerie à petite échelle (généralement avec Ntotal < 60 participants). Ces résultats n'ont pas encore été reproduits dans des échantillons plus importants et multisites. Le présent projet de doctorat impliquait l'utilisation de l'apprentissage automatique supervisé pour prédire prospectivement le développement de troubles anxieux chez les adolescents en utilisant un jeu de données longitudinales de la population générale, IMAGEN, ainsi que pour prédire la réponse au traitement psychothérapeutique chez les patients phobiques en utilisant le jeu de données SPIDER-VR. Avec les données IMAGEN, des analyses d'apprentissage automatique ont été réalisées à partir de questionnaires et de données neuroanatomiques d'adolescents non anxieux, afin de prédire le développement d'un futur trouble anxieux (N = 156) par rapport à un statut de contrôle sain (N = 424). L'étude a souligné le potentiel prédictif des données sociodémographiques et issues de questionnaires pour la prédiction de futurs troubles anxieux regroupés, et celui des volumes de matière grise pour la prédiction d'un trouble anxieux généralisé. Les mesures d'IRM fonctionnelle extraites d'une tâche de traitement émotionnel des visages n'ont pas produit de performance prédictive supérieure au niveau de chance. Avec les données SPIDER-VR, des analyses d'apprentissage automatique ont été menées pour prédire la réponse des patients phobiques des araignées (N = 190) à une session de thérapie d'exposition en réalité virtuelle, en utilisant des données de questionnaires, des données d'IRM structurelle et diverses mesures d'IRM fonctionnelle extraites d'une tâche de provocation des symptômes. Contrairement aux attentes, l'étude n'a pas confirmé le potentiel prédictif des données sociodémographiques et de questionnaires, ni des données de neuro-imagerie, à l'exception de la variance du signal BOLD qui a produit une performance prédictive modérée. Dans l'ensemble, ce travail de doctorat remet en question les résultats optimistes d'études antérieures à plus petite échelle sur la prédiction de l'anxiété par apprentissage automatique basé sur la neuro-imagerie. Néanmoins, les résultats corroborent le fait que des questionnaires faciles à administrer présentent une performance prédictive prometteuse pour la prédiction de l'apparition de l'anxiété et que l'IRM structurelle puisse apporter une valeur prédictive supplémentaire. Divers autres biomarqueurs de l'anxiété sont apparus dans la littérature avec le potentiel d'améliorer la précision des prédictions relatives à l'anxiété, et d'autres recherches multimodales utilisant des jeux de données à grande échelle ainsi qu'une méthodologie rigoureuse d'apprentissage automatique sont nécessaires pour atteindre l'utilité clinique.