Le syndrome de Parkinson idiopathique est la deuxième maladie neurodégénérative la plus fréquente, avec une incidence croissante. Une confirmation rapide du diagnostic aux premiers stades de la maladie est souhaitable afin de pouvoir mettre en œuvre des traitements efficaces le plus rapidement possible. L’analyse des données de capteurs de poignet est une possibilité.
Le diagnostic du syndrome parkinsonien idiopathique (SPI) est le plus souvent clinique. Les examens diagnostiques adjuvants sont coûteux, prennent du temps, ne sont pas suffisamment disponibles ou ne sont pas spécifiques. Il existe donc un besoin clinique important pour une méthode disponible, peu coûteuse, objective et interprétable. L’apprentissage automatique peut être utilisé pour analyser de manière pertinente les données des capteurs de mouvement. Ces données peuvent être collectées, par exemple, par des dispositifs portés sur le corps (wearables). L’association d’un diagnostic par capteurs miniaturisés et de plus en plus connectés de l’Internet des objets (IoT) avec des méthodes d’apprentissage automatique offre l’opportunité d’une méthodologie de diagnostic à la fois économique et très efficace.
Une étude de preuve de concept pour une approche diagnostique pilotée par les données avec un modèle hiérarchique à un stade précoce de la maladie de Parkinson a été menée afin de collecter des paramètres clinimétriques d’un algorithme de diagnostic à l’aide de l’apprentissage automatique et de données de capteurs de poignet. Des données accélérométriques 3D ont été recueillies auprès de 25 patients à un stade précoce de la maladie et de 25 témoins. Les enregistrements ont été réalisés à l’aide d’un Microsoft Band 2, qui a enregistré les mouvements du bras à une fréquence d’échantillonnage de 62,5 Hz lorsque les sujets étaient libres de leurs mouvements (free living setting). Les données des capteurs ont été intégrées dans un modèle hiérarchique. L’algorithme a classé 22 des 25 patients atteints de la maladie de Parkinson comme positifs et 21 des 25 personnes saines comme négatives. La spécificité était de 0,85 et la sensibilité de 0,84. La valeur prédictive positive était de 0,88 et la valeur prédictive négative de 0,84. La précision (accuracy) était de 0,86. Les résultats sont prometteurs et devraient être validés dans d’autres cohortes avec des modèles optimisés.
Source : 92e congrès de la Société allemande de neurologie (DGN)
InFo NEUROLOGIE & PSYCHIATRIE 2019 ; 17(6) : 35 (publié le 23.11.19, ahead of print)
