L’Activité Physique (AP) est largement recommandée en prévention secondaire et tertiaire des maladies chroniques (Brown & Gilmore, 2020) et la prescription d’AP doit pouvoir s’adapter aux besoins des malades dans l’objectif d’une pratique régulière et pérenne. Au-delà des données de santé, des données environnementales seront intégrées dans une approche globale de la personne et ainsi déterminer les facteurs de l’inactivité et de la sédentarité afin de cibler les profils les plus à risque. Les méthodes d’intelligence artificielle sont de plus en plus utilisées en santé (Singareddy et al., 2023) et offrent de nouvelles perspectives pour la création d’outils d’aide à la décision. L’objectif de ce projet est donc de concevoir un modèle prédictif de la pratique d’AP à partir d’une grande variété de données de santé et environnementales afin de créer un outil d’aide à la décision destiné aux acteurs de l’AP et de la santé.
Méthodologie
Le projet est d’inclure 100 personnes diagnostiquées d’une maladie cardiovasculaire, respiratoire ou d’un cancer, résidant dans les Pyrénées Orientales et sa zone transfrontalière. Des données socio-démographiques et cliniques seront recueillies via questionnaires (GPAQ, SF-36, …) ; des mesures objectives de la force musculaire, de la capacité physique et de la variabilité de la fréquence cardiaque ; des données spatialisées open source et de télédétection. L’ensemble de ces données seront traitées avec des méthodes de machine learning afin d’identifier les facteurs d’une pratique régulière d’AP ; modéliser des profils types de pratique et concevoir un modèle prédictif de la pratique d’AP. Afin de pouvoir utiliser ces méthodes sur un échantillon restreint de données, des données synthétiques seront générés grâce à un GAN (Generative Adversarial Network), technique précise et déjà utilisée pour des données de santé (Purandhar et al., 2022).
Résultats attendus
L’outil d’aide à la décision permettra aux acteurs de l’AP et de la santé d’identifier des profils de malades les plus à risque d’inactivité et de sédentarité, prioriser les interventions auprès des patients les plus à risque, concevoir des interventions personnalisées selon les besoins, évaluer l’efficacité des interventions. Les résultats devraient déboucher sur des applications directes pour les médecins qui pourront repérer les patients ayant besoin d’une prescription d’APA mais aussi pour les EAPA qui pourront personnaliser leur intervention et évaluer leur efficacité par la diminution du risque d’inactivité et de sédentarité.