Un algorithme d'IA peut aider à identifier les jeunes sans-abri à risque de toxicomanie

Un algorithme d'intelligence artificielle (IA) développé par une équipe de recherche du College of Information Sciences and Technology de Penn State pourrait aider à prédire la susceptibilité aux troubles liés à l'usage de substances chez les jeunes sans-abri et proposer des programmes de réadaptation personnalisés pour ces personnes très vulnérables.

Bien que de nombreux programmes aient été mis en œuvre pour lutter contre la prévalence de la toxicomanie chez les jeunes sans-abri aux États-Unis, peu, voire aucun, ont inclus des informations fondées sur des données sur les facteurs environnementaux et psychologiques qui pourraient contribuer à la probabilité qu'une personne développe un trouble lié à la consommation de substances.

«La prévention proactive des troubles liés à l'usage de substances chez les jeunes sans-abri est beaucoup plus souhaitable que les stratégies d'atténuation réactives telles que les traitements médicaux du trouble et d'autres interventions connexes», a déclaré Amulya Yadav, professeure adjointe en sciences et technologies de l'information et chercheuse principale du projet. «Malheureusement, la plupart des tentatives précédentes de prévention proactive ont été ponctuelles dans leur mise en œuvre.»

Maryam Tabar, doctorante en informatique et auteure principale du document, a ajouté: «Pour aider les décideurs à concevoir des programmes et des politiques efficaces de manière raisonnée, il serait avantageux de développer des solutions d'IA et d'apprentissage automatique capables de découvrir automatiquement un ensemble complet. des facteurs associés aux troubles liés à l'usage de substances chez les jeunes sans-abri.

Les résultats ont été présentés lors de la conférence Knowledge Discovery in Databases (KDD).

Pour le projet, l'équipe de recherche a construit le modèle en utilisant des données recueillies auprès d'environ 1400 jeunes sans-abri, âgés de 18 à 26 ans, dans six États américains.

Les données ont été collectées par le Co-Lab de recherche, d'éducation et de plaidoyer pour la stabilité et l'épanouissement de la jeunesse (REALYST), qui comprend Anamika Barman-Adhikari, professeur adjoint de travail social à l'Université de Denver et co-auteur de l'article.

L'équipe de recherche a ensuite identifié les facteurs environnementaux, psychologiques et comportementaux liés aux troubles liés à l'usage de substances, comme les antécédents criminels, les expériences de victimisation et les caractéristiques de santé mentale.

Ils ont découvert que les expériences négatives de l'enfance et la victimisation physique de la rue étaient plus étroitement liées aux troubles liés à l'usage de substances que d'autres types de victimisation, comme la victimisation sexuelle, chez les jeunes sans-abri.

De plus, le trouble de stress post-traumatique (TSPT) et la dépression étaient plus fortement associés au trouble lié à l'usage de substances que d'autres troubles de santé mentale dans cette population.

Ensuite, l'équipe a divisé son ensemble de données en six ensembles de données plus petits pour examiner les différences géographiques. Ils ont formé un modèle distinct pour prédire les troubles liés à l'usage de substances chez les jeunes sans-abri dans chacun des six États, qui ont des conditions environnementales variées, des politiques de légalisation des drogues et des associations de gangs. L'équipe a trouvé plusieurs variations spécifiques à l'emplacement dans le niveau d'association de certains facteurs, selon Tabar.

«En regardant ce que le modèle a appris, nous pouvons trouver efficacement les facteurs qui peuvent jouer un rôle corrélatif avec les personnes souffrant de troubles liés à la toxicomanie», a déclaré Yadav. «Et une fois que nous connaissons ces facteurs, nous sommes beaucoup plus en mesure de prédire si quelqu'un souffre de toxicomanie.»

Il a ajouté: «Ainsi, si un planificateur de politiques ou un intervenant devait développer des programmes visant à réduire la prévalence des troubles liés à la toxicomanie, cela pourrait fournir des directives utiles.»

Parmi les autres auteurs de l'article de KDD figurent Dongwon Lee, professeur agrégé, et Stephanie Winkler, étudiante au doctorat, toutes deux au Penn State College of Information Sciences and Technology; et Heesoo Park de l'Université Sungkyunkwan.

Yadav et Barman-Adhikari travaillent sur un projet similaire à travers lequel ils ont développé un agent logiciel qui conçoit des programmes de réadaptation personnalisés pour les jeunes sans-abri aux prises avec une dépendance aux opioïdes. Les résultats de leurs simulations montrent que l'agent logiciel - appelé CORTA (Comprehensive Opioid Response Tool Driven by Artificial Intelligence) - surpasse les valeurs de référence d'environ 110% en minimisant le nombre de jeunes sans-abri souffrant de dépendance aux opioïdes.

«Nous voulions comprendre quels sont les problèmes causaux derrière les personnes développant une dépendance aux opiacés», a déclaré Yadav. «Et puis nous avons voulu affecter ces jeunes sans-abri au programme de réadaptation approprié.

Yadav explique que les données recueillies par plus de 1400 jeunes sans-abri aux États-Unis ont été utilisées pour construire des modèles d'IA afin de prédire la probabilité de dépendance aux opioïdes au sein de cette population. Après avoir analysé les problèmes qui pourraient être la cause sous-jacente de la dépendance aux opioïdes - comme les antécédents de placement familial ou l'exposition à la violence de la rue - CORTA résout de nouvelles formulations d'optimisation pour attribuer des programmes de réadaptation personnalisés.

«Par exemple, si une personne a développé une dépendance aux opioïdes parce qu’elle était isolée ou qu’elle n’avait pas de cercle social, alors peut-être dans le cadre de son programme de réadaptation, elle devrait parler à un conseiller», a expliqué Yadav.

«D'un autre côté, si une personne a développé une dépendance parce qu'elle était déprimée parce qu'elle ne pouvait pas trouver un emploi ou payer ses factures, alors un conseiller en carrière devrait faire partie du plan de réadaptation.»

Yadav a ajouté: "Si vous traitez simplement la maladie médicalement, une fois qu'ils retournent dans le monde réel, puisque le problème causal persiste, ils sont susceptibles de rechuter."

Source: État de Penn