Améliorer le bien-être prénatal grâce à l’IA et le biofeedback

De nouvelles recherches marquent un progrès prometteur dans la gestion de l’anxiété prénatale grâce à la technologie portable. Dans une étude récente, les chercheurs ont conçu un modèle de reconnaissance de l’anxiété spécifiquement pour les femmes enceintes, en utilisant des données physiologiques issues d’un dispositif portable. Cette étude représente une avancée notable dans le domaine de la santé mentale maternelle, souvent négligée malgré les exigences émotionnelles élevées pendant la grossesse.

Les femmes enceintes vivent fréquemment des périodes d’anxiété liées aux changements physiques et émotionnels, qui peuvent avoir un impact négatif sur la santé de la mère et du fœtus. Les approches traditionnelles pour surveiller l’anxiété prénatale reposent souvent sur des auto-évaluations subjectives, lesquelles peuvent ne pas refléter entièrement les réponses physiologiques sous-jacentes. En utilisant des signaux physiologiques en temps réel, ce modèle introduit une mesure objective pour surveiller la santé émotionnelle des femmes enceintes. Les chercheurs ont développé le modèle en utilisant des données provenant de plusieurs sources de signaux — pouls volumique (BVP), température de la peau (SKT) et intervalle inter-battements (IBI) — recueillies grâce au bracelet Empatica E4. Le modèle, basé sur un algorithme de machine à vecteurs de support (SVM), a atteint une précision de 69,3 %, marquant une avancée significative pour les applications de biofeedback et d’interaction humain-machine (HCI) adaptées à ce groupe démographique unique.

Méthodes

Cette étude a utilisé un protocole expérimental minutieusement conçu pour capturer des données fiables tout en assurant le confort et la sécurité des participantes, toutes dans les derniers stades de leur grossesse. Vingt femmes enceintes ont participé à l’expérience, portant le bracelet Empatica E4 dans un environnement calme et contrôlé, pour enregistrer des signaux physiologiques en période de repos et de relaxation. Durant la phase de relaxation, les participantes ont pratiqué des exercices de respiration profonde, guidées par un système de biofeedback, et ont complété des évaluations standardisées de l’anxiété à l’aide de l’Inventaire d’Anxiété d’État-Trait (STAI) avant et après chaque session.

Les chercheurs ont pré-traité et analysé les données physiologiques en éliminant les artéfacts et en comblant les valeurs manquantes pour obtenir des données prêtes pour la modélisation. Les caractéristiques clés ont ensuite été extraites de chaque type de signal : BVP, SKT et IBI. Par une analyse de corrélation de Pearson, l’équipe a sélectionné les sept caractéristiques les plus révélatrices des niveaux d’anxiété, telles que la puissance spectrale issue du BVP et les indicateurs de variabilité de la fréquence cardiaque de l’IBI, connus pour être corrélés aux états émotionnels.

Pour classifier les états émotionnels, les données ont été regroupées en trois niveaux : relaxation, anxiété légère et anxiété sévère, basés sur les scores STAI auto-rapportés. Le modèle SVM, choisi pour sa haute performance sur des ensembles de données de petite taille, a été optimisé par recherche de grille pour déterminer les meilleurs paramètres de précision. Le modèle final a atteint une précision de 69,3 %, un résultat notable étant donné la taille limitée du jeu de données.

Résultats

L’étude a révélé que la précision de la classification de l’anxiété s’améliorait significativement en utilisant des données provenant de l’ensemble des trois sources de signaux — BVP, SKT et IBI — dans une approche multimodale, par rapport aux modèles à signal unique. Chaque signal physiologique contribue de manière unique à la compréhension de l’anxiété :

• Pouls Volumique (BVP) : Les caractéristiques de la puissance spectrale basées sur la fréquence du BVP étaient fortement corrélées aux niveaux d’anxiété, reflétant les variations du flux sanguin dues au stress émotionnel.

• Température de la Peau (SKT) : Les mesures de variabilité de la température ont aidé à distinguer les états d’anxiété des états de relaxation.

• Intervalle Inter-Battements (IBI) : Les indicateurs de variabilité de la fréquence cardiaque, comme l’écart-type des intervalles normaux (SDNN) et le ratio basses fréquences/hautes fréquences (LF/HF), sont couramment associés aux réponses de stress et à l’activité du système nerveux autonome.

La fusion des données multimodales a produit un modèle plus précis, ce qui suggère que l’intégration de différents signaux physiologiques est essentielle pour capturer la complexité des réponses émotionnelles chez les femmes enceintes.

Discussion

Ce modèle de reconnaissance de l’anxiété représente un développement crucial pour des interventions de biofeedback personnalisées pouvant améliorer le bien-être prénatal. En fournissant des informations objectives et en temps réel sur les niveaux d’anxiété, une telle technologie permet aux femmes enceintes et aux prestataires de soins de gérer le stress de manière plus efficace. L’étude propose une technique innovante de visualisation où les données physiologiques pourraient être transformées en un système de feedback intuitif, tel qu’une plante virtuelle dont la croissance refléterait l’état émotionnel de la mère. Ce modèle de biofeedback engageant pourrait aider les femmes enceintes à reconnaître et à gérer leur anxiété grâce à des indications douces pour entreprendre des actions, comme des exercices de respiration, lorsque leur état émotionnel signale un stress.

Implications pour le biofeedback et le soin maternel

Ce modèle introduit des applications prometteuses pour des outils de biofeedback conçus pour les soins prénatals. Les chercheurs suggèrent une double approche pour renforcer le soutien maternel :

1. Feedback visuel émotionnel : En représentant les états émotionnels par la croissance d’une plante, l’utilisateur peut suivre visuellement son bien-être émotionnel, créant une manière engageante d’encourager les pratiques de soins personnels.

2. Intégration familiale : Les partenaires et les membres de la famille pourraient interagir avec le système de biofeedback visuel, favorisant un réseau de soutien où les proches sont encouragés à reconnaître et à aider pendant les périodes de forte anxiété.

Ces approches soulignent que la gestion de la santé mentale prénatale est une responsabilité partagée, promouvant un modèle de soins centré sur la famille.

Pour la recherche et le développement futurs

L’étude ouvre plusieurs voies de recherche et de développement technologique :

• Élargissement de la base de données : Augmenter la taille de l’échantillon et inclure des participantes plus diverses pourrait améliorer la précision et la généralisabilité du modèle.

• Tests de terrain : Appliquer le modèle en dehors des conditions de laboratoire, par exemple à domicile, permettrait de tester son efficacité dans le monde réel, où les facteurs de stress diffèrent du cadre contrôlé du laboratoire.

• Améliorations de l’apprentissage machine : Explorer des modèles d’ensembles ou des approches d’apprentissage profond pourrait améliorer la précision dans les applications futures, rendant le modèle plus robuste aux variations individuelles.

Conclusion

Cette étude souligne l’importance de la surveillance de la santé mentale maternelle, démontrant que l’intégration du biofeedback avec l’interaction homme-machine peut offrir des outils pratiques pour améliorer le bien-être prénatal. La technologie montre son potentiel non seulement en tant qu’outil clinique, mais aussi en tant que dispositif d’autonomisation pour les femmes enceintes et leurs familles dans la gestion active de la santé émotionnelle pendant la grossesse.

Références

Bao, Y., Xue, M., Gohumpu, J., Cao, Y., Weng, S., Fang, P., Wu, J., & Yu, B. (2024). Prenatal anxiety recognition model integrating multimodal physiological signal. Scientific Reports, 14(21767). https://doi.org/10.1038/s41598-024-72507-8