ALZHEIMER : L’intelligence artificielle pour prédire le déclin cognitif

L’apprentissage automatique pour sélectionner les "bons" patients

Les chercheurs ont d’abord développé un modèle de patients types à partir d’un ensemble de données complet comprenant des scores aux tests cognitifs et d'autres données biométriques de patients atteints de la maladie d'Alzheimer vs d'individus en bonne santé. Ce modèle a permis d’aboutir à un algorithme capable de prédire le score des patients aux tests cognitifs. Chez les nouveaux participants, un deuxième modèle, personnalisé pour chaque patient, a été ensuite développé : ce second modèle permet de mettre à jour en permanence les prévisions de scores en fonction des nouvelles données enregistrées lors des évaluations médicales et cognitives les plus récentes. L’application de ce modèle montre ici une bonne précision des scores cognitifs à 6, 12, 18 et 24 mois.

Sélectionner les participants à risque pour les essais cliniques : si le modèle peut aider les proches à mieux suivre l’évolution de la maladie et l’équipe médicale à mieux prendre en charge le patient, l’application principale reste la sélection de participants susceptibles de présenter un déclin cognitif rapide, avant même l'apparition d'autres symptômes cliniques. En synthèse, ce modèle va permettre de mieux tester l’efficacité des candidats médicaments anti-démence. « La prévision précise du déclin cognitif à 24 mois est essentielle pour la conception des essais cliniques », confirme l’un des chercheurs de l’équipe, Oggi Rudovic : « Être capable de prédire avec précision les futurs changements cognitifs peut permettre de réduire le nombre d’évaluations, contribuer au développement d'un médicament efficace, l'objectif étant aussi de réduire le coût des essais cliniques et de les réaliser à plus grande échelle ».

De données en population générale aux données personnalisées

Partir du plus grand ensemble possible de données : pour leurs travaux, les chercheurs ont exploité le plus grand ensemble au monde de données d'essais cliniques sur la maladie d'Alzheimer, soit les données d'environ 1.700 participants, avec et sans maladie d'Alzheimer, enregistrées lors de visites médicales semestrielles sur 10 ans. Ces données incluent les scores de l’AD Assessment-scale, l’échelle d’évaluation cognitive la plus largement utilisée pour les essais cliniques de médicaments pour le traitement de la maladie d'Alzheimer. Le test évalue la mémoire, l’expression orale et l'orientation sur une échelle croissante allant jusqu'à 85 points. L'ensemble des données analysées comprenait également les données sociodémographiques, des examens IRM, et génétiques ainsi que des résultats d’analyse du liquide céphalo-rachidien.

Valider le modèle sur un sous-groupe de participants : l’équipe a finalement testé le modèle sur une sous-cohorte de 100 participants, ayant effectué plus de 10 visites et dont les données représentaient plus de 600 caractéristiques calculables. Parmi ces participants, 48 ​​ont reçu un diagnostic de maladie d'Alzheimer.

Passer outre le manque fréquent de données : enfin, pour résoudre le problème plus que fréquent du manque de disponibilité de toutes ces données chez la grande majorité des patients, les chercheurs ont développé un dernier modèle basé sur un principe de probabilité gaussien c’est-à-dire à base de paramètres flexibles permettant de prendre en compte une certaine marge d’incertitude dans les données. Ce modèle s’avère fonctionner correctement même lors de l'analyse de jeux de données avec des valeurs manquantes ou beaucoup « de bruit de fond » lié aux formats très hétéroclites des données.

Dernière étape, personnaliser la prédiction : pour lui apporter encore plus de précision, les chercheurs ont ajouté une étape de personnalisation, pour chaque nouveau patient. Le système comble ensuite progressivement les données manquantes à chaque nouvelle évaluation du patient et met à jour en conséquence la prévision de son score cognitif. Il suffit de 4 visites, écrivent les chercheurs, pour que le modèle atteigne un taux d'erreur extrêmement réduit dans sa prévision.

Choisir automatiquement le bon type de modèle : les chercheurs ont constaté que les résultats des modèles personnalisés étaient parfois encore sous-optimaux. Pour résoudre ce problème, ils utilisent l’apprentissage automatique qui va les aider à choisir automatiquement le type de modèle, du modèle valable en population générale au modèle le plus personnalisé, le mieux adapté à un participant donné à un moment donné, en fonction des données disponibles et analysées. Le programme d’apprentissage automatique, « Metalearning » avait déjà été utilisé pour des tâches d’apprentissage de nouvelles compétences ou d’adaptation à de nouveaux environnements. C’est la première fois qu’il est appliqué au suivi du déclin cognitif de patients atteints de la maladie d’Alzheimer. Cette dernière étape a permis de réduire le taux d'erreur des prévisions encore de 50% ».

Il reste maintenant à nouer des partenariats avec des sociétés pharmaceutiques pour mettre en œuvre ce modèle dans le cadre d’essais cliniques sur la maladie d’Alzheimer, explique l’équipe du MIT. Un modèle qui pourrait aussi être adapté à d'autres maladies.