Prédiction des épisodes dépressifs à partir de caractéristiques cliniques, fonctions cognitives, protéines liées à l’inflammation et données EEG

Pourquoi transformer les ondes cérébrales et les analyses sanguines en indices pour l’humeur

La dépression touche des centaines de millions de personnes, et pourtant les médecins la diagnostiquent encore principalement par entretien et questionnaires. Cette étude examine si des motifs dissimulés dans les troubles du sommeil, les capacités cognitives, l’activité cérébrale et les molécules immunitaires circulant dans le sang peuvent être combinés à des techniques informatiques modernes pour fournir un signal plus objectif indiquant qu’une personne traverse un épisode dépressif. Si un tel signal s’avère fiable, il pourrait à terme aider les cliniciens à détecter la dépression plus tôt et à adapter les traitements de manière plus précise.

Rassembler plusieurs types d’indices

Les chercheurs ont suivi 115 adultes souffrant de dépression majeure et les ont comparés à 66 volontaires en bonne santé. Pour chaque personne, ils ont collecté un large ensemble d’informations : des échelles de symptômes pour la dépression, l’anxiété, le plaisir et l’insomnie ; des tests détaillés de mémoire, d’attention et de raisonnement visuo-spatial ; une forme particulière d’enregistrement cérébral appelée micro-états EEG qui suit les basculements rapides des réseaux cérébraux ; et les niveaux de plus de 30 protéines liées à l’inflammation circulant dans le sang. Cinquante-six patients ont été réévalués après quatre semaines de traitement antidépresseur. Le premier jeu de données des patients, complété par l’ensemble des volontaires sains, a servi à entraîner des modèles informatiques, tandis que les données de suivi, plus le même groupe sain, ont été utilisées pour tester la capacité de ces modèles à reconnaître la dépression sur de nouvelles mesures.

Comment les ordinateurs ont cherché une empreinte de la dépression

Parce que le jeu de données était riche mais de taille modérée, l’équipe l’a d’abord nettoyé soigneusement, en supprimant les mesures souvent manquantes et en comblant les lacunes mineures avec des méthodes statistiques établies. Ils ont ensuite utilisé une technique appelée régression Lasso pour réduire des dizaines de mesures candidates à un ensemble plus restreint portant le plus d’informations sur qui était déprimé ou non. À partir de là, ils se sont focalisés sur huit caractéristiques remarquables : la sévérité de l’insomnie, la performance à une tâche visuo-spatiale mesurant la capacité à traiter et construire des informations visuelles, la durée moyenne d’un micro-état EEG spécifique appelé micro-état D, et cinq protéines liées à l’inflammation dans le sang (IL-8, IL-18, MMP-8, CD40 et CASP-8). Ces caractéristiques ont ensuite été fournies à six algorithmes d’apprentissage automatique différents qui apprennent à reconnaître les motifs distinguant les participants déprimés des participants sains.

Ce que le modèle a appris sur le corps et le cerveau dans la dépression

Tous les six modèles informatiques ont bien performé, mais lors de la validation sur les données de suivi, le modèle des k-plus proches voisins s’est distingué, classifiant correctement environ 95 % des cas et montrant une séparation presque parfaite entre participants déprimés et non déprimés. Pour explorer quels signaux importaient le plus, les chercheurs ont utilisé une méthode d’explicabilité qui traite chaque caractéristique comme un « joueur » contribuant à la décision du modèle. Deux protéines immunitaires, l’IL-8 et l’IL-18, sont apparues comme particulièrement influentes, suivies par le score d’insomnie, la protéine MMP-8, le récepteur immunitaire CD40, l’enzyme CASP-8, la capacité de raisonnement visuo-spatial et la durée moyenne du micro-état D. Lorsque toutes les protéines inflammatoires ont été retirées du modèle, ses performances ont chuté fortement, montrant que les marqueurs du système immunitaire n’étaient pas de simples redondances des autres mesures cliniques ou cérébrales mais apportaient une information unique.

Ce que cela pourrait signifier pour le sommeil, la cognition et l’inflammation

Le schéma des résultats s’accorde avec un corpus croissant de travaux reliant une inflammation chronique de bas grade et des réseaux cérébraux perturbés à la dépression. Les personnes déprimées dans cette étude avaient tendance à mal dormir, à présenter des performances moins nettes dans certaines tâches visuo‑spatiales, à montrer un timing altéré du micro-état D dans leur EEG et à afficher des niveaux modifiés de plusieurs protéines immunitaires dans le sang. Plutôt que de s’appuyer sur une mesure isolée, le motif combiné à travers ces domaines créait un signal puissant d’un épisode dépressif. Les résultats soulignent également que l’insomnie et les changements cognitifs subtils ne sont pas de simples effets secondaires, mais des pièces centrales du puzzle dépressif.

Comment ce travail pourrait aider les soins futurs

Pour un non-spécialiste, la conclusion est que la dépression laisse une empreinte dans le corps et le cerveau qui peut être détectée par des tests soigneusement choisis et une analyse informatique intelligente. L’étude suggère qu’un panel relativement restreint de scores de sommeil, de mesures cognitives, de caractéristiques des ondes cérébrales et de protéines sanguines peut, conjointement, séparer les personnes déprimées des individus sains avec une grande précision. Bien que le travail ait été conduit dans un seul hôpital et doive être confirmé dans des groupes plus larges, plus divers et sur des périodes plus longues, il montre une voie vers des outils plus objectifs et informés par la biologie qui pourraient un jour soutenir, mais pas remplacer, l’entretien clinique pour le diagnostic et le suivi de la dépression.

Citation: Sun, W., Yang, H., Sun, C. et al. Prediction of depressive episodes based on clinical features, cognitive characteristics, inflammation-related proteins, and EEG data. Transl Psychiatry 16, 202 (2026). https://doi.org/10.1038/s41398-026-03960-4

Mots-clés: trouble dépressif majeur, biomarqueurs, inflammation, micro-états EEG, apprentissage automatique