Dans une étude récente publiée dans Alzheimer's & Dementia, des chercheurs ont développé une méthode permettant de prédire la progression de la maladie d'Alzheimer (MA).
Étude: Prédiction de la progression de la maladie d'Alzheimer dans les 6 ans grâce à la parole : une nouvelle approche exploitant les modèles de langage. Crédit d’image : fizkes/Shutterstock.com
Sommaire
Arrière-plan
Les personnes atteintes de troubles cognitifs légers (MCI) présentent un risque accru de MA. Par conséquent, une prédiction précise de la progression du MCI vers la MA peut aider aux décisions liées au traitement, à la sélection des essais de nouveaux médicaments et à la participation à des programmes de réadaptation. La pathologie de la MA a été classiquement évaluée à l’aide de techniques de neuroimagerie ou de biomarqueurs.
Diverses études ont évalué ces méthodes (conventionnelles) pour prédire la progression du MCI vers la MA. Cependant, ils sont coûteux et invasifs, ce qui limite leur applicabilité.
En revanche, les tests neuropsychologiques (NPT) sont les plus accessibles pour évaluer le déclin cognitif. Des approches informatiques ont été testées pour prédire la conversion MCI en AD à l'aide de NPT. La parole dans les NPT peut être utilisée pour prédire le déclin cognitif.
Des modèles de diagnostic basés sur l’intelligence artificielle utilisant des caractéristiques acoustiques et linguistiques des NPT ont été développés.
La Framingham Heart Study (FHS) enregistre les NPT depuis 2005 et les enregistrements ont été utilisés pour créer des outils de diagnostic. Auparavant, les auteurs de l'étude appliquaient des techniques de traitement du langage naturel (NLP) aux enregistrements pour placer les individus dans tout le spectre de la démence.
À propos de l'étude
Dans la présente étude, en utilisant des données vocales, les chercheurs ont développé une méthode pour prédire la progression de la MA dans un délai de six ans. Le FHS a suivi une cohorte de 166 personnes souffrant de troubles cognitifs. Chaque individu a subi un NPT d'une heure qui a été enregistré et stocké numériquement. Informations éducatives, facteurs de risque pour la santé et apolipoprotéine E (APOE) les allèles étaient disponibles.
L'étude s'est concentrée sur la progression du MCI vers la MA et non sur la cognition normale vers le MCI ou la MA en raison de l'utilité limitée des NPT pour prédire le déclin cognitif sans (signes de) détérioration cognitive.
L’équipe a développé un outil pour transcrire automatiquement les enregistrements vocaux de leurs travaux antérieurs. Cet outil a été utilisé pour transcrire les fichiers audio des sujets. Chaque phrase a été étiquetée en fonction du sous-test spécifique.
Différentes intégrations de vecteurs ont été obtenues pour les NPT en fonction de segments spécifiques de chaque transcription. L'Universal Sentence Encoder, un modèle basé sur l'apprentissage profond, a généré des intégrations vectorielles.
Les données de formation ont été augmentées en échantillonnant aléatoirement les transcriptions pour générer des versions abrégées, qui ont ensuite été codées. En outre, le contenu des sous-tests a été codé séparément, créant huit intégrations spécifiques.
Un modèle de régression logistique a été formé sur les données quantitatives associées au contenu de chaque sous-test. Les intégrations des versions abrégées ont été utilisées comme entrées indépendantes, générant plusieurs scores pour chaque transcription.
Un score moyen de transcription (TAS) a été généré à partir de ces multiples scores. Un modèle de régression logistique d'ensemble a été généré à l'aide des scores des sous-tests et du TAS pour prédire la probabilité de progression du MCI vers la MA dans les six ans.
Les performances du modèle ont été évaluées à l’aide d’une approche de validation croisée en groupe stratifié k-fold. En outre, une validation croisée interne a été réalisée pour la sélection des fonctionnalités et la réduction de la dimensionnalité.
Les mesures de performance comprenaient l'aire sous la courbe caractéristique de fonctionnement (AUC) du récepteur, l'exactitude, la précision, la sensibilité et la spécificité.
Résultats
Sur les 166 sujets atteints de MCI, 90 ont évolué vers une démence MA en six ans. La démence AD comprenait la démence mixte et la MA avec/sans accident vasculaire cérébral. Le délai moyen jusqu’à la MA était de 2,7 ans.
Les femmes plus âgées, moins instruites et celles porteuses de l’allèle APOE ε4 étaient plus susceptibles de progresser vers la MA. En outre, les femmes qui ont évolué vers la MA étaient en moyenne 1,4 ans plus âgées que les hommes.
Le modèle intégrant les données démographiques, le statut de porteur de l'APOE, les facteurs de santé et les caractéristiques textuelles (à savoir le modèle PNL) a obtenu un score F1 de 79,9 % et une AUC de 78,5 %.
Les chiffres correspondants pour le modèle avec uniquement des caractéristiques textuelles étaient respectivement de 79,4 % et 77,8 %. Le modèle avec des caractéristiques textuelles et démographiques avait une AUC de 77,5 % et un score F1 de 79,6 %.
Le modèle avec uniquement des scores NPT avait un score F1 de 75,5 % et une AUC de 71,3 %. Les scores AUC et F1 du modèle avec uniquement des caractéristiques démographiques étaient respectivement de 68,8 % et 71,1 %.
Un modèle basé sur un mini-examen de l'état mental avait une ASC de 60,7 %. Le modèle avec uniquement des facteurs de santé a atteint une ASC de 66,2 %.
Conclusions
En résumé, les chercheurs ont illustré le potentiel de la reconnaissance vocale automatisée et de la PNL pour prédire la progression vers la MA chez les personnes atteintes de MCI. Le modèle proposé prédisait la progression de la MA avec une sensibilité de 81,1, une spécificité de 75 % et une précision de 78,2 %.
Cette approche permet une prédiction accessible et non invasive basée sur l’IA sans impliquer de tests génétiques ou de laboratoire ou d’imagerie, ce qui la rend idéale pour les évaluations à distance.
D’autres études à grande échelle sont nécessaires pour corroborer ces résultats et valider leur généralisabilité, étant donné que la cohorte était majoritairement blanche.
