Une récente Médecine clinique électronique L'étude a utilisé des techniques d'apprentissage automatique (ML) pour développer et tester un modèle pronostique prédictif (PPM) pour la prédiction précoce de la démence en utilisant des données de patients du monde réel.
Étude: Marqueur robuste et interprétable guidé par l’IA pour la prédiction précoce de la démence dans des contextes cliniques réels. Crédit d'image : Gorodenkoff/Shutterstock.com
Sommaire
Les défis du diagnostic précoce de la démence
Les chercheurs prévoient que l'incidence de la démence va tripler au cours des 50 prochaines années. La maladie d'Alzheimer (MA) représente actuellement 60 à 80 % de tous les cas de démence.
À ce jour, il manque encore des outils efficaces pour le diagnostic précoce de la démence. Les tests de mémoire sont particulièrement inefficaces au stade précoce, car ils manquent de sensibilité. De plus, la plupart des patients n’ont pas accès à des tests plus spécifiques comme les ponctions lombaires pour l’évaluation des biomarqueurs du liquide céphalorachidien, ni à la tomographie par émission de positons (TEP), qui sont invasives et coûteuses.
Malgré les avancées récentes, les modèles d’intelligence artificielle (IA) développés à l’aide de techniques de machine learning (ML) sont également associés à certaines limites. Par exemple, bien que les données de cohorte soient structurées, elles peuvent conduire à une généralisabilité.
À propos de l'étude
Les chercheurs ont développé un modèle de mesure de la démence interprétable et robuste qui prédit si et à quelle vitesse les patients aux premiers stades de la démence évolueront vers la maladie d'Alzheimer. Les premiers stades de la démence comprennent les stades présymptomatiques ou « cognitifs normaux » (CN) et les troubles cognitifs légers (MCI).
Pour démontrer l’utilité clinique du PPM, les chercheurs ont entraîné le système sur des données de base, non invasives et peu coûteuses. Par la suite, le PPM a été testé sur des données réelles de patients hors échantillon et validé par rapport à des diagnostics longitudinaux dans des données réelles.
Les données obtenues proviennent de deux cohortes cliniques en tant qu'ensembles de données de test indépendants comprenant 272 patients, une cohorte de recherche de l'Alzheimer's Disease Neuroimaging Initiative (ADNI) avec des échantillons de formation et de validation comprenant respectivement 410 et 609 patients, ainsi que l'ensemble de données du Memory Aging & Cognition Center de l'Université nationale de Singapour (MACC) comprenant 605 patients.
Pour prédire le déclin cognitif futur aux premiers stades de la démence à l'aide de données multimodales, une approche de modélisation de trajectoire basée sur la quantification vectorielle d'apprentissage métrique généralisée (GMLVQ) a été adoptée. Les modèles GMLVQ ont été formés pour faire la distinction entre un MCI stable (sMCI) et un MCI progressif (pMCI). Les patients atteints de sMCI ont systématiquement reçu un diagnostic de MCI dans un délai de trois ans, tandis que ceux atteints de pCMI ont évolué vers la MA dans un délai de trois ans.
La formation a été réalisée à l'aide de l'échelle de mémoire révisée de l'examen cognitif d'Addenbrooke (mémoire ACE-R), du Mini-Mental State Examination (MMSE) et de la densité de matière grise (GM) des données ADNI.
Résultats de l'étude
Le PPM a été associé à une précision de prédiction de 81,7 %, une spécificité de 80,9 % et une sensibilité de 82,4 % pour déterminer si les personnes atteintes de démence précoce resteront stables ou évolueront vers la MA. Il a été démontré qu'il existe une interaction entre le MMSE, la densité GM et la mémoire ACE-R, ce qui démontre le rôle des caractéristiques multimodales dans la distinction précise entre sMCI et pMCI.
L'entraînement du modèle avec la mémoire ACE-R et le MMSE seuls a donné des résultats similaires à ceux obtenus avec des données cognitives et IRM. Le modèle a donné les meilleurs résultats lorsque des interactions multivariées entre des données multimodales ont été utilisées.
L'indice pronostique dérivé du modèle était cliniquement pertinent pour prédire les trajectoires de santé cognitive. Pour deux ensembles de données indépendants, l'indice pronostique dérivé du PPM a été dérivé des données de base et était significativement différent d'un groupe à l'autre. L'indice était significativement plus élevé lorsqu'il était formé avec l'IRM et les données cognitives pour plusieurs cas de test tels que la MA, le MCI modéré, le MCI léger ou le CN3.
Des études antérieures ont montré que jusqu'à 35 % des cas de démence sont mal diagnostiqués. Il est important de noter que l'indice PPM a démontré le potentiel de réduire le taux d'erreurs de diagnostic en entraînant le système sur des données biologiques.
Le PPM a été associé à une sensibilité et une précision supérieures par rapport aux évaluations classiques dans la pratique clinique, aux modèles de régression logistique et aux modèles de régression multivariée. Dans les exercices de validation par rapport aux résultats cliniques longitudinaux, le PPM a prédit de manière fiable si les individus à des stades précoces de la maladie comme le MCI évolueraient vers la MA ou resteraient stables. La généralisabilité des résultats à travers différents centres de mémoire constitue une avancée significative dans le domaine des biomarqueurs guidés par l'IA pour la démence précoce.
Conclusions
Les résultats de l’étude apportent la preuve d’une approche clinique interprétable et robuste guidée par l’IA pour détecter et stratifier les patients aux premiers stades de la démence. Ce marqueur a un fort potentiel d’adoption dans la pratique clinique en raison de sa validation par rapport aux données longitudinales multicentriques de patients dans différentes régions géographiques.
L’inclusion de données provenant de groupes sous-représentés, l’incorporation de données de soins cliniques pour capturer les comorbidités et l’extension du PPM à la prédiction des sous-types de démence sont nécessaires avant que ce modèle puisse être considéré comme un outil d’IA clinique.
