Dans un récent Médecine naturelle étude de journal, les chercheurs développent un modèle basé sur l’intelligence artificielle (IA) pour détecter la maladie de Parkinson (MP) et suivre sa progression à partir des signaux respiratoires nocturnes.
Étude: Détection et évaluation de la maladie de Parkinson par intelligence artificielle à l’aide de signaux respiratoires nocturnes. Crédit d’image : Natali _ Mis / Shutterstock.com
Sommaire
Arrière plan
Étant donné que la MP est la maladie neurologique qui connaît la croissance la plus rapide dans le monde, il existe un besoin urgent de nouveaux biomarqueurs diagnostiques capables de détecter la maladie à un stade précoce. Actuellement, il n’existe aucun médicament capable d’inverser ou d’arrêter la progression de la MP. De plus, la MP est généralement diagnostiquée sur la base de modifications des fonctions motrices, telles que les tremblements et la rigidité.
L’évaluation de la progression de la MP repose principalement sur l’auto-déclaration du patient ; cependant, les cliniciens utilisent également l’échelle d’évaluation unifiée de la maladie de Parkinson de la Movement Disorder Society (MDS-UPDRS) pour l’évaluation qualitative de la MP.
Certains biomarqueurs de la MP existants, notamment le liquide céphalo-rachidien, la biochimie sanguine et la neuroimagerie, ont montré des résultats prometteurs pour leur utilité potentielle dans le diagnostic précoce de cette maladie. Cependant, ce sont des mesures coûteuses qui nécessitent l’accès à des hôpitaux multispécialisés, les rendant ainsi inadaptés au diagnostic précoce ou au suivi de la progression de la MP.
Le célèbre chirurgien anglais James Parkinson a noté pour la première fois un lien entre la MP et la respiration en 1817. Des études ultérieures ont également signalé des zones dégénérées du tronc cérébral qui contrôlent la respiration chez les patients atteints de MP, faisant ainsi de la respiration un attribut prometteur d’évaluation des risques pour le diagnostic clinique de la MP. Il est important de noter que les symptômes respiratoires se manifestent souvent bien avant les symptômes moteurs cliniques de la MP.
À propos de l’étude
Dans la présente étude, les chercheurs ont évalué un nouveau modèle d’étude basé sur l’IA sur 7 671 personnes en utilisant des données provenant de plusieurs ensembles de données publics et d’hôpitaux aux États-Unis.
Le modèle d’étude a recueilli des données de deux manières distinctes. La première méthode exigeait que le sujet de test porte une ceinture respiratoire sur la poitrine ou l’abdomen pour suivre les signaux respiratoires pendant la nuit. Les données acquises à partir de cette méthode ont été appelées jeu de données de la ceinture respiratoire.
Alternativement, la deuxième méthode sans contact collectait des données respiratoires à l’aide d’un capteur radio qui transmettait un signal radio de faible puissance dans la chambre de l’individu et analysait ses réflexions sur l’environnement. Cet ensemble de données était appelé données sans fil.
Le modèle a appris la tâche auxiliaire de prédire l’électroencéphalogramme quantitatif (qEEG) de chaque sujet à partir de la respiration nocturne. Notamment, les chercheurs ont exclu des tests les sujets qui ont aidé à former le réseau neuronal.
L’équipe a effectué une validation croisée k-fold (k équivaut à quatre) pour la détection de PD et une validation sans omission pour la prédiction de la gravité. La prédiction interinstitutions a été déterminée en entraînant et en testant le modèle sur des données provenant de différents centres médicaux.
Le modèle d’IA a diagnostiqué la MP à partir d’une nuit de respiration nocturne, qui a été présentée comme la courbe des caractéristiques de fonctionnement du récepteur (ROC). Bien que le modèle d’IA ait détecté la MP avec une grande précision, les chercheurs souhaitaient évaluer si sa précision était améliorée en combinant les données de plusieurs nuits chez le même sujet de test. Des ensembles de données sans fil ont été utilisés pour calculer le score de prédiction du modèle pour toutes les nuits.
La fiabilité test-retest a été déterminée en faisant la moyenne de la prédiction sur des nuits consécutives dans un délai prédéfini. Enfin, la capacité du modèle d’IA à générer un score de gravité de la MP corrélé avec le MDS-UPDRS a été évaluée.
Résultats de l’étude
L’âge moyen des patients parkinsoniens était de 69,1 ans, 27 % des participants à l’étude étant des femmes. Le groupe témoin était composé de 6 914 sujets, dont 30 % étaient des femmes avec un âge moyen de 66,2 ans.
Des données longitudinales de plusieurs nuits pour chaque personne jusqu’à un an ont été recueillies. Prises ensemble, les données combinées de l’étude comprenaient 11 964 nuits avec plus de 120 000 heures de signaux respiratoires nocturnes de 757 patients parkinsoniens.
Les ensembles de données sur les ceintures respiratoires manquaient de scores MDS-UPDRS et Hoehn et Yahr (H&Y). À l’inverse, les ensembles de données sans fil avaient des scores MDS-UPDRS et H&Y.
Le modèle d’étude a atteint une aire sous la courbe ROC (AUC) de 0,889 avec une sensibilité et une spécificité de 80,22 % et 78,62 %, respectivement, le tout avec un intervalle de confiance (IC) à 95 % pour les nuits mesurées à l’aide d’une ceinture respiratoire. Pour les nuits mesurées à l’aide d’un ensemble de données sans fil, le modèle a atteint une ASC de 0,906 avec une sensibilité et une spécificité de 86,23 % et 82,83 %, respectivement.
Le score de prédiction PD peut être n’importe quel nombre entre zéro et un. Ce n’est que lorsque le score PD prédit par le modèle AI dépasse 0,5 qu’une personne est considérée comme ayant PD. Par conséquent, les chercheurs ont utilisé le score PD médian pour chaque sujet comme résultat du diagnostic final.
La combinaison de plusieurs nuits pour chaque sujet a augmenté la sensibilité et la spécificité du diagnostic de MP à 100 % pour les sujets MP et témoins. La fiabilité s’est également améliorée et a atteint 0,95 en seulement 12 nuits en utilisant les données de plusieurs nuits du même sujet.
Une forte corrélation entre la prédiction de la gravité des modèles d’IA et MDS-UPDRS a été observée, indiquant ainsi que le modèle a bien capturé la gravité de la maladie de Parkinson. Puisqu’il y avait une forte corrélation entre la prédiction du modèle et trois sous-parties de MDS-UPDRS, avec des valeurs R de 0,84, 0,91 et 0,93, il a été déterminé que le modèle capturait les symptômes non moteurs et moteurs de la MP.
conclusion
Le système basé sur l’IA décrit dans la présente étude a servi de biomarqueur numérique de diagnostic et de progression prometteur pour la MP. De plus, le modèle était remarquablement objectif, non intrusif, peu coûteux et avait le potentiel de permettre d’obtenir des mesures de respiration nocturne à plusieurs reprises à la maison.
Environ 40 % des patients parkinsoniens ne reçoivent actuellement pas de soins de spécialistes de la maladie de Parkinson, car ces cliniciens sont souvent concentrés dans des centres médicaux situés dans des zones urbaines. Pour de tels cas, ainsi que ceux à haut risque de développer la MP, ce dernier comprenant ceux présentant une mutation du gène de la kinase 2 répétée riche en leucine, un système d’IA pourrait être déployé à domicile pour un suivi passif. De plus, ce type de système pourrait fournir une rétroaction régulière au médecin du patient qui pourrait faire un suivi avec le patient pour confirmer les résultats par télésanté ou lors d’une visite en personne.
De telles avancées de l’IA peuvent soutenir la médecine en relevant les défis non résolus de la recherche en neurosciences et en fournissant de nouvelles connaissances cliniques pour diagnostiquer et suivre la progression de la MP.
