Projet MentalWords : collecte efficace de données textuelles en milieu clinique et analyses linguistiques

Le projet MentalWords étudie les changements dans l’expression linguistique lorsqu’une personne est concernée par des troubles psychiques. Mais pour cela, il faut d’abord des données.

Questions importantes, moins de données

Le traitement automatique du langage naturel (TALN, en anglais Natural Language Processing, NLP) est de plus en plus utilisé pour mieux comprendre la santé mentale. L’objectif est d’analyser automatiquement des textes tels que des messages de forum ou des transcriptions de conversations afin d’identifier des indices relatifs à l’humeur, au stress ou à des symptômes cliniquement pertinents. Ces méthodes peuvent soutenir les médecins et les thérapeutes en fournissant des informations supplémentaires ou en révélant des schémas difficiles à détecter à l’œil nu. À long terme, l’objectif est d’aider les patient·e·s de manière plus précoce et ciblée.

Un problème majeur dans ce domaine de recherche est toutefois le manque de données adaptées. Les données cliniques, c’est-à-dire les échantillons de langage ou de texte provenant de patient·e·s réellement en traitement, sont rarement accessibles car elles sont strictement confidentielles et sensibles. Les chercheur·e·s doivent donc souvent se tourner vers des sources publiques telles que les réseaux sociaux, qui ne sont toutefois pas toujours fiables ni représentatives. Seules quelques études ont un accès direct à de véritables données cliniques, ce qui complique considérablement le développement et la validation des modèles. Une revue de littérature a montré que dans plus de 80 % des études, les données provenaient des réseaux sociaux [1].

Premiers résultats prometteurs

L’équipe de la BFH s’est déjà penchée sur cette problématique : par exemple, comment détecter les premiers signes d’épuisement professionnel grâce à l’analyse de texte. Pour cela, l’équipe de recherche a étudié des contributions anonymes de personnes partageant leurs expériences en ligne [2] et collecté des textes anonymes via un questionnaire [3]. L’objectif était d’identifier des schémas linguistiques pouvant indiquer un stress particulier ou un épuisement.

L’étude a déjà montré des résultats positifs : la méthode développée [2] détecte de manière assez fiable les indices d’épuisement professionnel dans les textes. Il convient cependant de noter que ces résultats doivent encore être validés, notamment avec des données cliniques et dans des contextes d’application pratiques.

Le projet MentalWords

Le projet MentalWords reprend cette thématique. Mené en étroite collaboration entre le Département Technique et Informatique de la BFH et le Département Santé de la BFH, il est réalisé conjointement avec l’Université de Berne (Services psychiatriques universitaires de Berne) et le partenaire clinique Privatklinik Meiringen. L’objectif est de développer des approches innovantes en linguistique informatique appliquées à la psychiatrie et de les tester de manière pratique. Le projet est prévu sur quatre ans et financé par le Fonds national suisse de la recherche scientifique.

Au cœur du projet se trouve le développement d’un protocole de collecte de données s’intégrant de manière fluide dans le flux de travail clinique, afin de limiter au minimum la charge de travail pour le partenaire clinique dans le cadre de collaborations interdisciplinaires à long terme. Les données transcrites seront ensuite analysées pour explorer les différences dans l’expression écrite entre des patient·e·s souffrant d’épuisement professionnel, de dépression ou d’anxiété et un groupe témoin sain. Les connaissances scientifiques issues de disciplines variées seront combinées avec l’expertise clinique pour générer des résultats concrets pour la psychiatrie de demain.

Une équipe interdisciplinaire et translationnelle

Pour un tel projet, une équipe interdisciplinaire et translationnelle est essentielle. L’équipe se compose d’expert·e·s en sciences de la santé, médecine et informatique/linguistique informatique et travaille de manière collaborative à la mise en œuvre du projet. Il est dirigé par la Prof. Dr. Mascha Kurpicz-Briki du groupe de recherche Applied Machine Intelligence du Département Technique et Informatique, conjointement avec le Prof. Dr. Thomas J. Müller de l’Université de Berne (Services psychiatriques universitaires de Berne) et de la Privatklinik Meiringen, en étroite collaboration avec le Prof. Dr. Christoph Golz du Département Santé de la BFH. Les deux groupes de recherche ont déjà collaboré avec succès dans divers autres projets.

Communication scientifique incluse

Dans la communication autour de la recherche, le projet est également soutenu par l’Institute of Design Research de la Haute école des arts de Berne (HKB). Les objectifs du projet sont présentés de manière compréhensible pour un large public, afin de maximiser son impact.

Site web du projet :
https://www.bfh.ch/de/forschung/forschungsprojekte/2025-790-622-342/

Références

[1] Zhang, T., Schoene, A. M., Ji, S., & Ananiadou, S. (2022). Natural language processing applied to mental illness detection: a narrative review. NPJ digital medicine, 5(1), 46. https://www.nature.com/articles/s41746-022-00589-7.pdf

[2] Merhbene, G., Nath, S., Puttick, A. R., & Kurpicz-Briki, M. (2022). BurnoutEnsemble: augmented intelligence to detect indications for burnout in clinical psychology. Frontiers in big Data, 5, 863100.

[3] Kurpicz-Briki, M., Merhbene, G., Puttick, A., Souissi, S. B., Bieri, J., Müller, T. J., & Golz, C. (2024). Using Natural Language Processing to find Indication for Burnout with Text Classification: From Online Data to Real-World Data. arXiv preprint arXiv:2409.14357.