La myélopathie cervicale (CM) résulte de la compression de la moelle épinière dans le cou et provoque des difficultés à bouger les doigts et une démarche instable. Comme les patients atteints de CM à un stade précoce présentent des symptômes subjectifs minimes et sont difficiles à diagnostiquer correctement pour les non-spécialistes, les symptômes peuvent être aggravés avant que les patients ne soient diagnostiqués avec CM par un spécialiste. Par conséquent, le développement d’outils de dépistage est nécessaire pour réaliser le diagnostic et le traitement précoces de la MC.
Une équipe de recherche dirigée par les Drs. Koji Fujita, maître de conférences à l’Université médicale et dentaire de Tokyo, et Yuta Sugiura, professeur agrégé à l’Université Keio, ont combiné une technique d’analyse du mouvement des doigts à l’aide d’un capteur sans contact et de l’apprentissage automatique. pour développer un outil de dépistage simple pour CM.
Dans cette étude, l’équipe s’est concentrée sur les changements dans le mouvement des doigts causés par CM. Dans le test de préhension et de relâchement de 10 secondes, qui est un test de diagnostic conventionnel pour la CM, un sujet répète les actions de préhension et de relâchement autant de fois que possible en 10 secondes. Le test mesure simplement le nombre d’actions de préhension et de relâchement et ne se concentre pas sur les changements dans les mouvements des doigts caractéristiques des patients atteints de CM, tels que les mouvements du poignet pour compenser la difficulté à bouger le doigt. Leap Motion (Ultraleap Ltd.), un capteur capable de mesurer en temps réel les mouvements des doigts, peut être utilisé pour extraire de tels mouvements plus précisément.
Les chercheurs s’attendaient à ce que CM puisse être prédit à l’aide de l’apprentissage automatique combiné au capteur Leap Motion. Un sujet assis devant Leap Motion connecté à un ordinateur portable avec les bras étendus a reçu l’ordre de saisir et de relâcher les doigts 20 fois aussi rapidement que possible. Les mouvements des doigts au cours de ce test ont été capturés par le capteur Leap Motion, affichés sur son écran en temps réel et enregistrés sous forme de données. Ils ont recruté 50 patients atteints de CM et 28 sujets qui n’avaient pas de CM. Les données de séries chronologiques sur les mouvements de leurs doigts acquises par Leap Motion ont été converties en domaines de fréquence, qui ont été soumis à un apprentissage automatique à l’aide d’une machine à vecteurs de support. Enfin, la précision des résultats était élevée, comme l’indiquent une sensibilité de 84,0%, une spécificité de 60,7% et une aire sous la courbe de 0,85. Ce niveau de précision est équivalent ou supérieur à celui du diagnostic CM par des spécialistes sur la base des résultats physiques.
L’outil développé par l’équipe permet aux non-spécialistes de dépister les personnes pour la possibilité d’avoir CM. Les résultats des tests de dépistage peuvent être utilisés pour encourager les personnes suspectées de MC à consulter un spécialiste pour un diagnostic précoce et une mise en route précoce du traitement. L’un des objectifs de cette recherche est de prévenir l’aggravation de la maladie qui peut entraîner un déclin du fonctionnement physique et une perte sociale.
Cette recherche a été menée dans le cadre des programmes de recherche fondamentale stratégique JST, de la recherche PRISM accélérée de l’AIP et de la recherche préliminaire pour la science et la technologie embryonnaires (PRSTO).
