L'addiction est le trouble psychiatrique le plus prévalent en population générale. Le craving (une envie irrépressible et involontaire de consommer) est un des principaux prédicteurs de la rechute, cible majeure des traitements de l'addiction. Cependant, le seul moyen de l'identifier est l'auto-évaluation, qui peut être empêchée par l'effet du craving lui-même, ou par une difficulté de perception de l'addiction. Une façon de surmonter ces difficultés serait d'identifier des biomarqueurs du craving pouvant être détectés passivement (automatiquement, sans effort) en vie quotidienne. Des études préliminaires ont montré des résultats prometteurs pour détecter le craving grâce aux données physiologiques recueillies en vie quotidienne. La prise en compte de paramètres multidimensionnels pourrait permettre de distinguer avec une plus grande précision le craving d'autres facteurs susceptibles de produire une signature physiologique similaire. Le projet exploratoire IVOMOC a pour objectif d'identifier des biomarqueurs vocaux du craving. Nous proposons de combiner et d'appliquer des techniques validées et innovantes des deux partenaires chez des participants souffrant d'une addiction. Nous émettons l'hypothèse que les épisodes de craving sont associés à des changements dans les caractéristiques vocales (caractéristiques acoustiques, prosodiques), à la fois dans un environnement contrôlé de laboratoire (protocole de réactivité aux cues) et dans un environnement de vie quotidienne (étude EMA). Les résultats de ce projet permettront d'identifier les caractéristiques vocales les plus aptes à distinguer les épisodes de craving des épisodes sans craving. Ainsi, nous pourrons envisager l'intégration de ces caractéristiques vocales, en complément d'autres paramètres (physiologiques, comportementaux, environnementaux et numériques) pour la mise au point de modèles de prédiction basés sur l'intelligence artificielle afin de développer un système de détection passive du risque de rechute en vie quotidienne.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Addiction is the most prevalent psychiatric disorder in the general population, but less than 25% of individuals affected receive treatment. Craving change over time is the best documented predictor of relapse, making it a major target for addiction treatment. However, the only way to identify craving is by self-report, that can be hampered by its level of intrusiveness, or impaired insight. One way to overcome these barriers would be to identify biomarkers of craving that can be detected passively in daily life. Preliminary studies demonstrated promising results to discriminate craving from no-craving episodes based on same moment physiological data in daily life. Taking into account multi-dimensional parameters could enable to distinguish with higher accuracy craving from other factors that may produce a similar physiological signature. The IVOMOC exploratory project proposes to identify vocal biomarkers of craving to pave the way towards a passive detection of relapse risk in daily life. For this, we propose to combine and apply validated and innovative techniques of both partners (i.e., Cue-reactivity, Ecological Momentary Assessment (EMA) from SANPSY; and Voice analysis and Machine Learning methods from LABRI) to explore vocal features associated with craving reports, in both laboratory and daily-life settings, among participants with substance addiction. We hypothesize that craving episodes are associated with changes in vocal characteristics (acoustic, prosodic, linguistic, and lexical features), both in a controlled laboratory setting (cue reactivity protocol) and in daily life setting (EMA study). The results of this project will enable to identify the vocal features most able to distinguish craving from no-craving states. Hence, we would be able to integrate these features, among other parameters (physiological, behavioral, environmental and digital features), in the design of AI-driven prediction models to develop a passive detection system of relapse risk in daily life.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Funding category:

Autre type de financement - recherche de financement en cours