Publication scientifique


L’IA pour dépister les troubles de l’alimentation chez les personnes souffrant d'obésité

S’appuyant sur des techniques d’intelligence artificielle, des chercheurs ont mis au point un test de dépistage plus simple et rapide pour détecter les addictions à l’alimentation chez les personnes obèses. Ces travaux sont publiés dans la revue Eating and Weight Disorders - Studies on Anorexia, Bulimia and Obesity.

Chez les personnes souffrant d'obésité, l’addiction à l'alimentation (AA) a tendance à être associée à plus de dépression, d’anxiété et une moins bonne qualité de vie. Repérer le plus tôt possible ce trouble de l’alimentation chez ces personnes constitue donc un enjeu de santé publique. Or, le dépistage de cette addiction – qui ne doit pas être confondue avec la boulimie ou l’hyperphagie – reste difficile dans le cadre des soins primaires.

L’échelle de référence en la matière est l’échelle de dépendance alimentaire de Yale YFAS (Yale Food Addiction Scale). Présentée sous forme d’autoquestionnaire, elle est composée de 36 items et le calcul du score est peu intuitif, rendant ainsi le dépistage complexe. En s’appuyant sur des techniques d’intelligence artificielle, des chercheurs du laboratoire CarMeN, en collaboration avec l’Université de Laval, ont proposé un nouvel outil de dépistage de l’AA chez les personnes souffrant d’obésité qui soit plus facilement utilisable en consultation.

Pour cela, les chercheurs se sont appuyés sur les données d’évaluations de patients hospitalisés pour obésité complexe et pris en charge dans le service Endocrinologie-Diabète-Nutrition du Centre hospitalier Lyon Sud. Les patients devaient remplir une enquête informatique composée de 152 items portant sur l’histoire pondérale, les prises en charge antérieures et d‘autres questionnaires sur les habitudes d’activité physique, les changements de comportement, ou l’échelle d’anxiété et de dépression.

Les scientifiques ont ensuite défini les paramètres statistiques les plus discriminants entre patients souffrant ou non d’addiction à l’alimentation. Puis, en testant à partir des paramètres les plus discriminants les performances de dix algorithmes prédictifs utilisés en IA, ils ont construit un outil graphique de visualisation de la probabilité d’addiction à l’alimentation. En analysant les données de 176 patients obèses hospitalisés entre 2017 et 2018, trois items sont apparus être les plus discriminants pour dépister une alimentation à l’alimentation :
  • « Je mange pour oublier mes problèmes »
  • « Je mange davantage lorsque je suis seul »
  • « Je consomme des douceurs (chocolat, viennoiseries…) ».
     
Les chercheurs ont ainsi mis au point un test de dépistage basé sur ces trois items qui permet de détecter rapidement les patients à haut risque de troubles alimentaires dans l’obésité. Afin d’évaluer la sensibilité et la spécificité de ce test, une étude multicentrique est actuellement en cours au sein du réseau FORCE (Force Obesity Research Center of Excellence), avec une population témoins à l’Université Laval au Québec.

Obésité et IA - EDisse
Obésité et IA - EDisse

 

Source

Iceta, S., Tardieu, S., Nazare, J. A., Dougkas, A., Robert, M., & Disse, E. (2021). An artificial intelligence-derived tool proposal to ease disordered eating screening in people with obesity. Eating and Weight Disorders-Studies on Anorexia, Bulimia and Obesity, 1-5.


Contacts scientifiques 

Emmanuel Disse, PUPH Université Lyon 1
Mail : emmanuel.disse@gmail.com | téléphone : 04 78 86 44 43

Maud Alligier, coordinatrice du réseau FORCE
mail : maud.alligier@univ-lyon1.fr | téléphone : 04 78 86 23 22
 


Laboratoire de recherche en Cardiovasculaire, Métabolisme, diabétologie et Nutrition (CarMeN - Université Claude Bernard Lyon 1/INRAE/INSERM)

Publié le 8 février 2021 Mis à jour le 9 février 2021