Un marqueur fiable basé sur l’intelligence artificielle pour la prédiction précoce de la démence

Un récent eMédecineClinique 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 à l’aide de données réelles sur les patients.

Étude: Marqueur robuste et interprétable basé sur l’IA pour la prédiction précoce de la démence dans des contextes cliniques réels. Source de l’image : Gorodenkoff / Shutterstock.com

Défis dans la détection précoce de la démence

Les chercheurs supposent que l’incidence de la démence triplera 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 existe un manque d’outils efficaces pour la détection précoce de la démence. Les tests de mémoire sont particulièrement inefficaces dans les premiers stades car ils manquent de sensibilité. De plus, la plupart des patients n’ont pas accès à des tests plus spécifiques tels que des ponctions lombaires pour évaluer les biomarqueurs du LCR ou des tomographies par émission de positons (TEP), qui sont invasives et coûteuses.

Malgré les progrès récents de l’intelligence artificielle (IA), les modèles développés à l’aide des techniques de ML présentent également certaines limites. Par exemple, même si les données de cohorte sont structurées, elles peuvent donner lieu à une généralisabilité.

À propos de l’étude

Les chercheurs de la présente étude ont développé un PPM interprétable et robuste qui prédit si et à quelle vitesse les patients aux premiers stades de la démence progressent vers la MA. Les premiers stades de la démence comprennent les troubles présymptomatiques ou « cognitifs normaux » (NC) et les troubles cognitifs légers (MCI).

Pour démontrer l’utilité clinique du PPM, les chercheurs ont formé le système à l’aide de données de base, non invasives et peu coûteuses. Le PPM a ensuite été testé à l’aide de données de patients réels en dehors de l’échantillon et validé à l’aide de diagnostics longitudinaux sur des données réelles.

Les données obtenues provenaient de deux cohortes cliniques sous forme d’ensembles de données de tests indépendants portant sur 272 patients, d’une cohorte de recherche de l’Alzheimer’s Disease Neuroimaging Initiative (ADNI) avec des échantillons de formation et de validation provenant de 410 et 609 patients, respectivement, et du Memory Aging & Cognition Center de l’Université nationale de Singapour. ensemble de données (MACC) avec 605 patients.

Pour prédire le déclin cognitif futur dans les 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 le MCI stable (sMCI) et le MCI progressif (pMCI). Les patients atteints de sMCI ont systématiquement reçu un diagnostic de MCI sur une période de trois ans, tandis que les patients atteints de pCMI ont développé un diagnostic de MA sur une période 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-examen de l’état mental (MMSE) et de la densité de matière grise (GM) à partir des données ADNI.

Résultats de l’étude

Le PPM était associé à une précision prédictive de 81,7 %, une spécificité de 80,9 % et une sensibilité de 82,4 % pour déterminer si les individus atteints de démence précoce restent stables ou progressent vers la MA. Il y avait des preuves d’une interaction entre le MMSE, la densité GM et la mémoire ACE-R, démontrant 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 fourni des performances similaires à l’entraînement avec des données cognitives et IRM. Le modèle a obtenu de meilleurs résultats lors de l’utilisation d’interactions multivariées sur des données multimodales.

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 était dérivé des données de base et différait de manière significative entre les groupes. L’indice était significativement plus élevé lors de l’entraînement avec des données IRM et cognitives pour plusieurs cas de test tels que la MA, le MCI modéré, le MCI léger ou le CN3.

Des études antérieures ont rapporté que jusqu’à 35 % des cas de démence sont mal diagnostiqués. Il est important de noter que l’indice PPM a le potentiel de réduire le taux d’erreurs de diagnostic en entraînant le système à l’aide de données biologiques.

Le PPM était associé à une sensibilité et une précision supérieures par rapport aux évaluations typiques de la pratique clinique, aux modèles de régression logistique et aux modèles de régression multivariée. Dans les exercices de validation utilisant des résultats cliniques longitudinaux, le PPM a prédit de manière fiable si les individus aux premiers stades d’une maladie telle que le MCI progresseraient 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 pilotés par l’IA pour la démence précoce.

Conclusions

Les résultats de l’étude fournissent la preuve d’une approche clinique interprétable et robuste basée sur l’IA pour détecter et stratifier les patients aux premiers stades de la démence. Ce marqueur présente un grand potentiel d’adoption dans la pratique clinique en raison de sa validation à l’aide de données longitudinales multicentriques provenant de patients de différentes régions géographiques.

Avant que ce modèle puisse être considéré comme un outil d’IA clinique, les données des groupes sous-représentés doivent être incluses, les données sur les soins cliniques doivent être incluses pour capturer les comorbidités et le PPM doit être élargi pour prédire les sous-types de démence.