Une autre avancée dans l’IA ! Le diagnostic simultané de 10 types de démence améliore la précision des médecins humains de 26 %

Écrit par | Ma Xuewei

Préface

La démence est actuellement la septième cause de décès dans le monde et l’une des principales causes d’invalidité et de dépendance chez les personnes âgées dans le monde. Un diagnostic précis de la démence peut améliorer la santé physique des personnes âgées au cours de leurs dernières années et réduire le fardeau qui pèse sur leur famille.

Désormais, un outil d'intelligence artificielle (IA) développé par une équipe de recherche de l'Université de Boston et ses collaborateurs a le potentiel de nous aider à diagnostiquer 10 types différents de démence (simultanément), améliorant ainsi la précision des neurologues de plus de 26 %.

L'article de recherche connexe, intitulé « Diagnostic différentiel basé sur l'IA des étiologies de la démence sur des données multimodales », a été publié en ligne dans la revue scientifique Nature Medicine.

« Notre outil d'IA générative est capable d'exploiter les données cliniques collectées régulièrement pour le diagnostic différentiel de la démence, démontrant son potentiel en tant qu'outil de diagnostic évolutif pour la maladie d'Alzheimer et les démences apparentées », a déclaré l'auteur correspondant Vijaya B. Kolachalama, PhD, professeur associé de médecine à la faculté de médecine Chobanian & Avedisian de l'université de Boston.

Il y a une pénurie de spécialistes en neurologie dans le monde, alors que le nombre de patients nécessitant leur aide augmente rapidement. Cette inadéquation met à rude épreuve les systèmes de santé. L'équipe de recherche estime que l'IA peut contribuer à identifier ces maladies à un stade précoce et à aider les médecins à prendre en charge les patients plus efficacement, prévenant ainsi leur aggravation.

L’équipe de recherche espère qu’avec le nombre de cas de démence qui devrait doubler au cours des 20 prochaines années, cet outil d’IA pourra fournir un diagnostic différentiel précis et répondre au besoin accru de traitements ciblés pour la démence.

La précision du diagnostic des cliniciens a augmenté de 26 %

Selon l’Organisation mondiale de la santé (OMS), plus de 55 millions de personnes dans le monde souffrent actuellement de démence et 10 millions de nouveaux cas de démence sont signalés chaque année dans le monde. Cependant, différentes formes de démence et des symptômes qui se chevauchent peuvent compliquer le diagnostic et empêcher un traitement efficace.

Par conséquent, un diagnostic précis de la démence est essentiel pour développer des stratégies de gestion ciblées et personnalisées. Cependant, l’accès aux outils de diagnostic existants est limité et la pénurie de neurologues et de neuropsychologues aggrave encore ce défi.

À la lumière de cela, l’équipe de recherche a développé un cadre d’apprentissage automatique multimodal (ML) qui utilise des données cliniques collectées régulièrement (telles que des informations démographiques, des antécédents médicaux au niveau du patient et de la famille, l’utilisation de médicaments, les scores d’examen neurologique et neuropsychologique et les données de neuroimagerie telles que les IRM) pour identifier avec précision les pathologies spécifiques qui conduisent à la démence.

Figure | Glossaire des termes pour la classification étiologique

En utilisant des données multimodales provenant de diverses cohortes, le modèle de l’équipe de recherche adopte une approche rigoureuse du diagnostic différentiel de la démence. Il attribue les individus à une ou plusieurs des treize catégories diagnostiques, définies par consensus au sein d’une équipe de neurologues. Cette approche de classification pragmatique est conçue pour prendre en compte les voies de gestion clinique et ainsi refléter des scénarios réels. Par exemple, l’équipe de recherche a regroupé la démence à corps de Lewy et la démence liée à la maladie de Parkinson dans la catégorie combinée des maladies à corps de Lewy. Cette classification repose sur l’idée que les soins pour ces troubles suivent généralement des voies similaires et sont souvent supervisés par une équipe multidisciplinaire de spécialistes des troubles du mouvement.

Figure | Neuf ensembles de données indépendants

Neuf ensembles de données indépendants ont été utilisés dans cette étude, notamment ADNI, NACC, NIFD, PPMI, OASIS, LBDSU, 4RTNI et FHS. Les données du NACC, du NIFD, du PPMI, de l'OASIS, du LBDSU et du 4RTNI ont été utilisées pour la formation du modèle. Les données de l'ADNI, du FHS et d'un ensemble de référence du NACC ont été utilisées pour les tests du modèle. Dans cette étude, le cadre ML multimodal a été formé à l’aide de données provenant de plus de 50 000 personnes provenant de neuf ensembles de données mondiaux différents.

Figure | Données, architecture du modèle et stratégie de modélisation. a, Un modèle de diagnostic différentiel de la démence a été développé à l’aide de plusieurs modalités de données, notamment des données démographiques au niveau individuel, des antécédents médicaux, des tests neurologiques, des examens physiques/neurologiques et des IRM à séquences multiples. Ces sources de données ont été agrégées à partir de neuf ensembles de données indépendants lorsqu’ils étaient disponibles. Pour la formation du modèle, l'équipe de recherche a fusionné les données du NACC, de l'AIBL, du PPMI, du NIFD, du LBDSU, de l'OASIS et du 4RTNI. L’équipe de recherche a utilisé un sous-ensemble de l’ensemble de données NACC pour des tests internes. Pour la validation externe, l’équipe de recherche a utilisé les cohortes ADNI et FHS. b, Transformer comme architecture modèle. Chaque fonctionnalité est traitée dans un vecteur de longueur fixe via une stratégie d'intégration spécifique à la modalité (emb.) et fournie en entrée au transformateur. Une couche linéaire est utilisée pour connecter le transformateur à la couche de prédiction de sortie. c, Un sous-ensemble de l'ensemble de données de test NACC a été sélectionné au hasard pour une analyse comparative, comparant les performances des neurologues avec l'aide du modèle d'IA avec celles sans l'aide de l'IA. De même, l’équipe de recherche a réalisé une évaluation comparative des neuroradiologues, à qui on a fourni un échantillon sélectionné au hasard de cas de démence confirmés de la cohorte de test NACC pour évaluer l’impact de l’augmentation de l’IA sur leurs performances diagnostiques. Dans ces évaluations, le modèle et les cliniciens ont accès aux mêmes données multimodales. Enfin, l’équipe de recherche a évalué les performances prédictives du modèle en comparant les profils de biomarqueurs disponibles et les grades de pathologie dans les cohortes NACC, ADNI et FHS.

Figure | Performance du modèle dans la distinction des états cognitifs

Le modèle a pu distinguer efficacement entre la cognition normale, les troubles cognitifs légers et la démence, atteignant une moyenne micro AUROC de 0,94, indiquant que sa capacité prédictive était très forte. Le modèle est cohérent entre les individus d’âges, de sexes et de races différents, ce qui indique une bonne capacité de généralisation. Le modèle gère efficacement les données manquantes et maintient des prédictions fiables même lorsque les données sont incomplètes.

Figure | Performance du modèle dans la distinction des causes de démence

Le modèle a pu distinguer 10 causes différentes de démence, dont la maladie d'Alzheimer, la démence vasculaire et la démence à corps de Lewy, et a atteint une moyenne micro AUROC de 0,96, indiquant qu'il était très précis dans le diagnostic étiologique. Le modèle a obtenu de bons résultats dans le traitement de la démence mixte (c’est-à-dire lorsque plusieurs causes coexistent), avec un AUROC moyen de 0,78, indiquant qu’il était capable d’identifier des combinaisons complexes de causes. Le modèle était cohérent avec les résultats des tests de biomarqueurs et sa relation avec différentes protéinopathies a été vérifiée par les résultats de l'autopsie, confirmant davantage la fiabilité et la précision du modèle.

Figure | Performance du modèle pour améliorer l'efficacité diagnostique des cliniciens

Dans 100 cas sélectionnés au hasard, l'AUROC utilisant le modèle d'IA pour aider les neurologues dans leur évaluation était 26,25 % plus élevé que celui utilisant les neurologues seuls, ce qui indique que le modèle peut améliorer la précision des cliniciens dans le diagnostic de la démence. Les prédictions du modèle étaient très cohérentes avec les évaluations des neurologues et des neuroradiologues, indiquant que le modèle peut fournir des informations diagnostiques auxiliaires fiables.

Lacunes et perspectives

Les données de recherche proviennent principalement des populations blanches et ne représentent pas les autres groupes raciaux et ethniques. Cela peut entraîner un biais dans le modèle lorsqu’il s’agit de populations différentes. L'ensemble de données contenait un grand nombre de cas de MA, ce qui peut avoir biaisé le modèle en faveur de l'identification des sous-types de MA tout en ignorant les caractéristiques des autres sous-types de démence.

Bien que le modèle puisse identifier différents sous-types de démence, il ne rend pas pleinement compte de l’hétérogénéité de la pathologie de la MA. Des études futures sont nécessaires pour analyser plus en profondeur les caractéristiques des différents sous-types de MA et évaluer les performances du modèle sur ces sous-types.

Le modèle combine la démence légère, modérée et sévère en une seule catégorie, ce qui peut ne pas refléter pleinement l’évaluation nuancée du stade de la maladie dans des contextes de soins de santé spécifiques. Les études futures pourraient considérer le stade de la maladie comme une dimension supplémentaire pour améliorer la précision du modèle.

Les données de formation du modèle peuvent refléter la subjectivité et la variabilité des décisions diagnostiques entre différents cliniciens, ce qui peut affecter la précision du modèle. Les études futures devront recueillir des données de diagnostic plus cohérentes et standardisées pour améliorer encore la fiabilité du modèle.

À l’avenir, l’équipe de recherche a déclaré qu’elle pourrait essayer de collecter davantage de données sur les patients de différentes races et ethnies et de différents contextes cliniques afin d’améliorer la capacité de généralisation du modèle ; en améliorant l’architecture du modèle, développer des modèles capables de mieux gérer l’hétérogénéité de la pathologie de la MA, comme la combinaison de structures de réseaux neuronaux plus complexes ou de méthodes d’extraction de caractéristiques plus sophistiquées ; combiner des modèles d’IA avec d’autres technologies, telles que les électroencéphalogrammes, les tests génétiques, etc., pour obtenir des informations plus complètes sur les patients et améliorer encore la précision du diagnostic ; en outre, des études de suivi à long terme peuvent être menées pour suivre la progression de la maladie des patients et les effets du traitement, évaluer la capacité prédictive du modèle et vérifier sa valeur dans la pratique clinique.

Lien vers l'article :

https://www.eurekalert.org/news-releases/1050605

https://www.nature.com/articles/s41591-024-03118-z

https://www.who.int/en/news-room/fact-sheets/detail/dementia