{"id":368124,"date":"2023-11-21T00:01:00","date_gmt":"2023-11-20T23:01:00","guid":{"rendered":"https:\/\/medizinonline.com\/lintelligence-artificielle-au-service-du-diagnostic-et-du-traitement-de-la-maladie-de-parkinson\/"},"modified":"2024-01-03T21:40:37","modified_gmt":"2024-01-03T20:40:37","slug":"lintelligence-artificielle-au-service-du-diagnostic-et-du-traitement-de-la-maladie-de-parkinson","status":"publish","type":"post","link":"https:\/\/medizinonline.com\/fr\/lintelligence-artificielle-au-service-du-diagnostic-et-du-traitement-de-la-maladie-de-parkinson\/","title":{"rendered":"L’intelligence artificielle au service du diagnostic et du traitement de la maladie de Parkinson"},"content":{"rendered":"\n

Le traitement des personnes atteintes de la maladie de Parkinson peut \u00eatre consid\u00e9rablement am\u00e9lior\u00e9 gr\u00e2ce \u00e0 l’utilisation de techniques num\u00e9riques. De nombreuses \u00e9tudes et recherches sont actuellement en cours pour d\u00e9terminer exactement comment l’intelligence artificielle peut contribuer \u00e0 une th\u00e9rapie personnalis\u00e9e. L’objectif est de pouvoir d\u00e9tecter avec certitude les premiers signes afin de pouvoir intervenir le plus t\u00f4t possible dans l’\u00e9volution de la maladie. <\/strong><\/p>\n\n\n\n

La maladie de Parkinson (MP) est la cause d\u00e9g\u00e9n\u00e9rative la plus fr\u00e9quente du parkinsonisme. Le parkinsonisme atypique comprend la paralysie supranucl\u00e9aire progressive (PSP), l’atrophie syst\u00e9mique multiple (MSA) et la d\u00e9g\u00e9n\u00e9rescence corticobasale (DCB). La diff\u00e9renciation clinique des syndromes parkinsoniens reste difficile. Par cons\u00e9quent, des recherches ont \u00e9t\u00e9 men\u00e9es pour d\u00e9terminer si l’IRM et l’apprentissage automatique am\u00e9lioraient la pr\u00e9cision du diagnostic chez les patients atteints de la maladie de Parkinson \u00e0 un stade pr\u00e9coce par rapport aux crit\u00e8res cliniques [1]. 118 patients suspect\u00e9s de parkinsonisme atypique, pour lesquels un suivi \u00e9tait disponible et une IRM c\u00e9r\u00e9brale avait \u00e9t\u00e9 r\u00e9alis\u00e9e lors de l’examen initial, ont \u00e9t\u00e9 inclus dans l’\u00e9tude. Les diagnostics pos\u00e9s lors de l’examen initial et apr\u00e8s une p\u00e9riode de suivi de deux ans ont \u00e9t\u00e9 \u00e9tablis sur la base des crit\u00e8res cliniques publi\u00e9s. Le diagnostic IRM a \u00e9t\u00e9 \u00e9tabli sur la base de l’analyse radiologique des images IRM. Les images pond\u00e9r\u00e9es en T1 ont \u00e9t\u00e9 segment\u00e9es \u00e0 l’aide de FreeSurfer, un logiciel de segmentation automatique, et les volumes des r\u00e9gions d’int\u00e9r\u00eat ont \u00e9t\u00e9 extraits : M\u00e9senc\u00e9phale, Pons, Cerebellum et Ganglions de la base. Un algorithme supervis\u00e9 d’apprentissage automatique (r\u00e9gression logistique), pr\u00e9c\u00e9demment d\u00e9velopp\u00e9 et entra\u00een\u00e9 sur des volumes des m\u00eames r\u00e9gions, a \u00e9t\u00e9 test\u00e9 sur cette population. Nous avons ensuite compar\u00e9 la pr\u00e9cision diagnostique des crit\u00e8res cliniques lors de la premi\u00e8re visite, de l’analyse radiologique par IRM et de l’algorithme d’apprentissage automatique, en prenant le diagnostic final comme r\u00e9f\u00e9rence.<\/p>\n\n

Il s’est av\u00e9r\u00e9 que les crit\u00e8res de diagnostic cliniques avaient une pr\u00e9cision diagnostique de 63,6% lors de l’examen initial. L’analyse radiologique de l’IRM a permis de classer correctement 82% des patients qui r\u00e9pondaient aux crit\u00e8res de diagnostic possible et 75% des patients dont le diagnostic n’\u00e9tait pas clair lors de l’examen initial. L’algorithme a \u00e9galement confirm\u00e9 le diagnostic de parkinsonisme chez 91% des patients et chez 66% des patients dont le diagnostic \u00e9tait ind\u00e9termin\u00e9. Les r\u00e9sultats mettent en \u00e9vidence les limites des crit\u00e8res cliniques et l’apport de l’IRM dans la diff\u00e9renciation pr\u00e9coce du parkinsonisme. Bien que la pr\u00e9cision ait \u00e9t\u00e9 inf\u00e9rieure \u00e0 celle de l’IRM, l’apprentissage automatique pourrait \u00eatre une aide dans les centres qui ne sont pas des experts.<\/p>\n\n

Regarder profond\u00e9ment dans les yeux<\/h3>\n\n

Les maladies neurod\u00e9g\u00e9n\u00e9ratives (MND) sont la premi\u00e8re cause de handicap dans le monde et elles sont en augmentation. L’augmentation des taux de la maladie de Parkinson est particuli\u00e8rement alarmante. Il y a donc un besoin urgent de biomarqueurs sensibles et sp\u00e9cifiques qui permettent une pr\u00e9diction diff\u00e9renci\u00e9e – en particulier dans les phases pr\u00e9coces et prodromiques de la maladie, de sorte qu’une approche m\u00e9dicale personnalis\u00e9e des produits th\u00e9rapeutiques puisse \u00eatre planifi\u00e9e et suivie. Le d\u00e9veloppement de mesures objectives de la maladie de Parkinson (MP) est rendu difficile par le spectre cognitif et moteur de la maladie et par la pr\u00e9sence de troubles atypiques tels que la paralysie supranucl\u00e9aire progressive (PSP). L’observation oculaire (eye tracking) a \u00e9t\u00e9 propos\u00e9e comme source de biomarqueurs prospectifs dans la MP. Des travaux r\u00e9cents ont montr\u00e9 l’utilisation de l’apprentissage automatique pour classifier la MP et son spectre cognitif sur la base des caract\u00e9ristiques oculomotrices. Une sensibilit\u00e9 accrue a maintenant \u00e9t\u00e9 d\u00e9montr\u00e9e dans une t\u00e2che visuelle libre non structur\u00e9e, \u00e0 la fois pour la PD et la PSP [2].<\/p>\n\n

120 patients atteints de MP, 8 participants PSP et 97 participants t\u00e9moins du m\u00eame \u00e2ge sans dysfonctionnement neurologique ont effectu\u00e9 une t\u00e2che naturaliste de vision libre, tandis que leurs yeux \u00e9taient suivis avec une grande pr\u00e9cision. Des masses de saccades, de pupilles et de clignements ont \u00e9t\u00e9 extraites des films de 10 minutes. Ces mesures ont \u00e9t\u00e9 utilis\u00e9es pour entra\u00eener un classificateur \u00e0 l’aide d’un moteur vectoriel de support. Le classificateur a \u00e9t\u00e9 adapt\u00e9 et la performance a \u00e9t\u00e9 mesur\u00e9e \u00e0 l’aide de l’aire sous les courbes de caract\u00e9ristiques de fonctionnement du r\u00e9cepteur (ROC-AUC) en utilisant une s\u00e9rie de tests et une validation crois\u00e9e. Il s’est av\u00e9r\u00e9 que la PD et la PSP pouvaient \u00eatre pr\u00e9dites avec une grande sensibilit\u00e9 en utilisant un paradigme d’observation de la vision libre. La t\u00e2che ROC-AUC n’\u00e9tait pas seulement comparable \u00e0 la t\u00e2che Antisaccade, elle \u00e9tait m\u00eame meilleure. L’\u00e9tape suivante consiste \u00e0 \u00e9valuer les performances de ce classificateur \u00e0 l’aide d’un ensemble de tests na\u00effs r\u00e9alis\u00e9s par un organisme ind\u00e9pendant.<\/p>\n\n

Classification bas\u00e9e sur les scanners c\u00e9r\u00e9braux<\/h3>\n\n

Les futurs traitements neuroprotecteurs de la maladie de Parkinson mettent en \u00e9vidence le besoin de tests diagnostiques pr\u00e9coces. L’IRM n’est actuellement pas consid\u00e9r\u00e9e comme un test d’imagerie robuste de la MP. Cependant, des techniques exploratoires sugg\u00e8rent que des s\u00e9quences exp\u00e9rimentales sp\u00e9cifiques pourraient \u00eatre en mesure de d\u00e9tecter des changements pathologiques pr\u00e9coces dans le cerveau. On a donc cherch\u00e9 \u00e0 savoir si de tels changements pouvaient \u00eatre d\u00e9tect\u00e9s dans les scans IRM de routine gr\u00e2ce \u00e0 l’utilisation de m\u00e9thodes d’apprentissage en profondeur (DL) [3]. Ce sous-ensemble de l’apprentissage automatique s’est r\u00e9cemment r\u00e9v\u00e9l\u00e9 tr\u00e8s prometteur pour l’imagerie m\u00e9dicale diagnostique, car il a le potentiel de d\u00e9tecter des motifs invisibles \u00e0 l’\u0153il humain. De nouvelles m\u00e9thodes d’explication permettent de mieux interpr\u00e9ter les pr\u00e9dictions de DL.<\/p>\n\n

194 scans ont \u00e9t\u00e9 pris plus de quatre ans apr\u00e8s le diagnostic, 265 deux \u00e0 quatre ans apr\u00e8s le diagnostic, 241 un \u00e0 deux ans apr\u00e8s le diagnostic et 282 moins d’un an apr\u00e8s le diagnostic. Chaque cohorte a \u00e9t\u00e9 compar\u00e9e \u00e0 des t\u00e9moins sur la base de l’\u00e2ge et du sexe. Plus le temps \u00e9coul\u00e9 depuis le diagnostic est long, plus la performance diagnostique des mod\u00e8les \u00e9tait bonne. Les mod\u00e8les entra\u00een\u00e9s pour les cas ult\u00e9rieurs de la maladie de Parkinson ont montr\u00e9 de bonnes performances diagnostiques. Les performances d\u00e9croissantes pour les stades ant\u00e9rieurs de la maladie de Parkinson indiquent que des changements progressifs ont \u00e9t\u00e9 identifi\u00e9s. L’utilisation de l’IA explicable a mis en \u00e9vidence des r\u00e9gions qui correspondent \u00e0 la neuropathologie connue de la maladie de Parkinson et qui constituent un point focal pour les travaux futurs.<\/p>\n\n

Reconna\u00eetre et classer les tremblements<\/h3>\n\n

Les principaux sympt\u00f4mes de la maladie de Parkinson sont la bradykin\u00e9sie, les tremblements et la rigidit\u00e9. Le diagnostic de la MP d\u00e9pend principalement de l’\u00e9valuation clinique bas\u00e9e sur la r\u00e9vision de l’\u00e9chelle Unified Parkinson Disease Rating Scale (MDS-UPDRS), parrain\u00e9e par la Movement Disorder Society. Une \u00e9tude a tent\u00e9 de d\u00e9velopper un programme d’apprentissage automatique pour la d\u00e9tection et la classification des tremblements chez les patients atteints de la maladie de Parkinson [4].<\/p>\n\n

Un acc\u00e9l\u00e9rom\u00e8tre m\u00e9canique triaxial a \u00e9t\u00e9 d\u00e9velopp\u00e9 pour d\u00e9tecter objectivement les tremblements dans la maladie de Parkinson et les troubles moteurs apparent\u00e9s, en plus de l’\u00e9valuation clinique. Pour ce faire, nous avons utilis\u00e9 une mesure quantitative continue peu co\u00fbteuse des mouvements des membres chez les personnes atteintes de la maladie de Parkinson – une modification du MDS-UPDRS. Le protocole a \u00e9t\u00e9 men\u00e9 par des \u00e9valuateurs form\u00e9s et certifi\u00e9s pour le MDS-UPDRS sur 20 participants atteints de la maladie de Parkinson et huit t\u00e9moins sains du m\u00eame \u00e2ge et du m\u00eame sexe. Des segments de dix secondes de signaux d’acc\u00e9l\u00e9ration de t\u00e2ches r\u00e9p\u00e9titives (frappe des doigts, mouvements des mains, pronation-supination des mains, frappe des orteils et mobilit\u00e9 des jambes) et leurs transformations en ondelettes rapides (FFT) et continues (CWT) ont \u00e9t\u00e9 class\u00e9s en deux cat\u00e9gories : faible (correspondant aux scores 0-1) et \u00e9lev\u00e9 (correspondant aux scores 3-4). Un nombre \u00e9gal d’images de chaque classe a \u00e9t\u00e9 choisi au hasard et utilis\u00e9 pour la classification. La capacit\u00e9 du r\u00e9seau \u00e0 classer correctement les images de validation a d\u00e9termin\u00e9 son taux de r\u00e9ussite.<\/p>\n\n

Le r\u00e9seau avait une pr\u00e9cision de 92% pour la pr\u00e9diction de nouvelles images CWT et une pr\u00e9cision de 97% pour la pr\u00e9diction de nouvelles images STFT en classes basse (0-1) et haute (3-4). L’utilisation de l’apprentissage automatique pour cat\u00e9goriser la sortie des instruments pour les mouvements est une technique viable pour classifier les mouvements r\u00e9p\u00e9titifs des personnes atteintes de la maladie de Parkinson et des t\u00e9moins sains. L’exp\u00e9rience doit \u00eatre r\u00e9p\u00e9t\u00e9e avec 100 patients et 100 t\u00e9moins sains.<\/p>\n\n

Les tics en ligne de mire<\/h3>\n\n

Il peut \u00eatre difficile de faire la distinction entre les tics chez les personnes souffrant de troubles du tic et les mouvements suppl\u00e9mentaires chez les t\u00e9moins sains. En outre, l’\u00e9valuation des tics \u00e0 partir d’enregistrements vid\u00e9o est longue et fastidieuse. L’apprentissage automatique a le potentiel d’aider \u00e0 relever ces d\u00e9fis en faisant la distinction entre les tics et d’autres mouvements suppl\u00e9mentaires et en soutenant les \u00e9valuations cliniques. <\/p>\n\n

Dans une \u00e9tude, un ensemble de donn\u00e9es de 63 vid\u00e9os de personnes souffrant de troubles du tic a \u00e9t\u00e9 utilis\u00e9 pour entra\u00eener un classificateur Random Forest pour la d\u00e9tection des tics seconde par seconde [5]. Le classificateur a utilis\u00e9 les caract\u00e9ristiques faciales comme entr\u00e9e et a d\u00e9fini les secondes de tic comme celles pr\u00e9sentant des tics d’intensit\u00e9 \u00e9gale ou sup\u00e9rieure \u00e0 un seuil pr\u00e9d\u00e9fini. Le classificateur entra\u00een\u00e9 a ensuite \u00e9t\u00e9 utilis\u00e9 pour pr\u00e9dire la pr\u00e9sence de tics chez les patients et de mouvements suppl\u00e9mentaires chez les t\u00e9moins sains. Ces pr\u00e9dictions ont \u00e9t\u00e9 utilis\u00e9es pour calculer diff\u00e9rentes caract\u00e9ristiques, telles que le nombre de tics par minute, la dur\u00e9e maximale d’un segment continu non tic, la dur\u00e9e maximale d’un tic continu, la dur\u00e9e moyenne des segments sans tic, le nombre de passages de segments tic \u00e0 segments non tic et inversement par minute, la taille moyenne d’un cluster de tics et le nombre de clusters par minute. Ces caract\u00e9ristiques ont \u00e9t\u00e9 combin\u00e9es \u00e0 l’aide d’une r\u00e9gression logistique pour obtenir un score unique de reconnaissance des tics. Les param\u00e8tres du mod\u00e8le ont \u00e9t\u00e9 d\u00e9termin\u00e9s par entra\u00eenement sur un ensemble de donn\u00e9es de 124 vid\u00e9os de personnes souffrant de troubles du tic et de 162 vid\u00e9os de t\u00e9moins sains. Pour \u00e9valuer la pr\u00e9cision de ce score dans la classification des patients et des t\u00e9moins sains, un ensemble de donn\u00e9es de test comprenant 50 vid\u00e9os de patients et 50 vid\u00e9os de t\u00e9moins sains a \u00e9t\u00e9 utilis\u00e9. Le kit de test a atteint une pr\u00e9cision de classification de 83%.<\/p>\n\n

L’algorithme d’apprentissage automatique est utile pour d\u00e9tecter les tics et faire la distinction entre les tics et d’autres mouvements suppl\u00e9mentaires. Il pourrait \u00eatre d\u00e9velopp\u00e9 en un outil utilisable en clinique. Pour am\u00e9liorer la pr\u00e9cision de la classification, l’\u00e9tape suivante consiste \u00e0 affiner le score de d\u00e9tection des tics. En outre, l’importance de chaque caract\u00e9ristique sera analys\u00e9e afin de d\u00e9terminer quelles caract\u00e9ristiques sont les plus utiles pour distinguer les deux groupes. L’algorithme pourrait alors \u00e9galement \u00eatre utile pour faire la distinction entre les tics et les mouvements fonctionnels.<\/p>\n\n

Congr\u00e8s : International Congress of Parkinson’s Disease and Movement Disorders\u00ae<\/sup> 2023<\/em><\/p>\n\n

<\/p>\n\n

Litt\u00e9rature :<\/p>\n\n

    \n
  1. Chougar L, Faucher A, Faouzi J, et al.: Contribution of MRI and machine learning approaches to the diagnosis of patients with early-stage parkinsonism in a situation of clinical uncertainty [abstract 161]. Mov Disord 2023; 38 (suppl 1).<\/li>\n\n\n\n
  2. Brien D, Riek H, Ye R, et al.: Machine learning classifies Parkinson\u2019s Disease and Progressive Supranuclear Palsy on saccade, pupil, and blink measures during a naturalistic free-viewing task [abstract 276]. Mov Disord 2023; 38 (suppl 1).<\/li>\n\n\n\n
  3. Courtman M, Thurston M, Mcgavin L, et al.: Explainable deep learning based detection of Parkinson\u2019s changes in MRI brain scans [abstract 1552]. Mov Disord 2023; 38 (suppl 1).<\/li>\n\n\n\n
  4. Elshourbagy T, Hernandez M, Mckay G, Brasic J: Artificial Intelligence to detect and classify tremors in patients with Parkinson\u2019s disease and related conditions [abstract 1211]. Mov Disord 2023; 38 (suppl 1).<\/li>\n\n\n\n
  5. Becker L, Schappert R, Br\u00fcgge N, et al.: New machine learning approaches in tic detection: Seeking to learn more about the characteristic of tics [abstract 951]. Mov Disord 2023; 38 (suppl 1).<\/li>\n<\/ol>\n\n

    InFo NEUROLOGIE & PSYCHIATRIE 2023; 21(5): 24\u201325<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

    Le traitement des personnes atteintes de la maladie de Parkinson peut \u00eatre consid\u00e9rablement am\u00e9lior\u00e9 gr\u00e2ce \u00e0 l’utilisation de techniques num\u00e9riques. De nombreuses \u00e9tudes et recherches sont actuellement en cours pour…<\/p>\n","protected":false},"author":7,"featured_media":368131,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pmpro_default_level":"","cat_1_feature_home_top":false,"cat_2_editor_pick":false,"csco_eyebrow_text":"Num\u00e9risation","footnotes":""},"category":[11527,11383,11535,11549],"tags":[14160,51161,12355,71661],"powerkit_post_featured":[],"class_list":["post-368124","post","type-post","status-publish","format-standard","has-post-thumbnail","category-etudes","category-neurologie-fr","category-rapports-de-congres","category-rx-fr","tag-intelligence-artificielle","tag-ki-fr","tag-maladie-de-parkinson","tag-therapie-contre-le-parkinson","pmpro-has-access"],"acf":[],"publishpress_future_action":{"enabled":false,"date":"2026-04-12 04:22:14","action":"change-status","newStatus":"draft","terms":[],"taxonomy":"category","extraData":[]},"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"wpml_current_locale":"fr_FR","wpml_translations":{"it_IT":{"locale":"it_IT","id":368135,"slug":"lintelligenza-artificiale-supporta-la-diagnostica-e-la-terapia-della-malattia-di-parkinson","post_title":"L'intelligenza artificiale supporta la diagnostica e la terapia della malattia di Parkinson","href":"https:\/\/medizinonline.com\/it\/lintelligenza-artificiale-supporta-la-diagnostica-e-la-terapia-della-malattia-di-parkinson\/"},"pt_PT":{"locale":"pt_PT","id":368084,"slug":"a-inteligencia-artificial-apoia-o-diagnostico-e-a-terapia-da-doenca-de-parkinson","post_title":"A intelig\u00eancia artificial apoia o diagn\u00f3stico e a terapia da doen\u00e7a de Parkinson","href":"https:\/\/medizinonline.com\/pt-pt\/a-inteligencia-artificial-apoia-o-diagnostico-e-a-terapia-da-doenca-de-parkinson\/"},"es_ES":{"locale":"es_ES","id":368099,"slug":"la-inteligencia-artificial-apoya-el-diagnostico-y-la-terapia-de-la-enfermedad-de-parkinson","post_title":"La inteligencia artificial apoya el diagn\u00f3stico y la terapia de la enfermedad de Parkinson","href":"https:\/\/medizinonline.com\/es\/la-inteligencia-artificial-apoya-el-diagnostico-y-la-terapia-de-la-enfermedad-de-parkinson\/"}},"_links":{"self":[{"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/posts\/368124","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/comments?post=368124"}],"version-history":[{"count":2,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/posts\/368124\/revisions"}],"predecessor-version":[{"id":373476,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/posts\/368124\/revisions\/373476"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/media\/368131"}],"wp:attachment":[{"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/media?parent=368124"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/category?post=368124"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/tags?post=368124"},{"taxonomy":"powerkit_post_featured","embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/powerkit_post_featured?post=368124"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}