Calibration de l’algorithme de détection précoce de récidive ou de rechute d’un épisode dépressif caractérisé via des biomarqueurs cliniques collectés par montre connectée

Objectif(s) de la recherche et intérêt pour la santé publique

Finalité de l'étude

Objectifs poursuivis

Domaines médicaux investigués

Bénéfices attendus

En France, 12,5% des personnes âgées de 18-85 ans ont un antécédent d’épisode dépressif caractérisé (EDC) au cours des 12 derniers mois en 2021. En 2017, la prévalence de l’EDC au cours des 12 derniers mois était de 8,2% parmi la population française active occupée. Les femmes avaient une prévalence d’EDC deux fois plus élevée que les hommes (11,4% vs 5,3%). Les EDC moyens et sévères représentaient 95% de l’ensemble des EDC quel que soit le sexe. L’objectif principal de l’étude sera de construire le modèle de l’algorithme Dalia et d’évaluer sa performance à détecter une rechute (au cours de la rémission) ou une récidive (après la guérison) chez les patients en rémission ou en guérison d’un épisode dépressif caractérisé (EDC), grâce aux données physiologiques (cliniques) collectées via une montre connectée.
Critères d’inclusion :
- Âge ≥ 18 ans ;
- Patient en cours de rémission1 ou de guérison2 d’un épisode dépressif caractérisé confirmé par un psychiatre via le score de l’échelle de dépression de Montgomery et Asberg (MADRS) ≤ 7, avec un délai maximum de 6 mois après le dernier EDC ;
- Patient parlant français ;
- Patient équipé d’un smartphone ou un ordinateur ou une tablette avec accès internet /données cellulaires via ce dernier ;
- Patient résidant sur le territoire français affilié à un régime de la sécurité sociale.
800 patients