L’intelligence artificielle surpasse les tests cliniques pour prédire l’évolution de la maladie d’Alzheimer

Des scientifiques de Cambridge ont développé un outil d’intelligence artificielle capable de prédire dans quatre cas sur cinq si les personnes présentant des signes précoces de démence resteront stables ou développeront la maladie d’Alzheimer.

L’équipe affirme que cette nouvelle approche pourrait réduire le besoin de tests de diagnostic invasifs et coûteux tout en améliorant les résultats du traitement à un stade précoce, lorsque des interventions telles que des changements de mode de vie ou de nouveaux médicaments peuvent avoir une chance de fonctionner de manière optimale.

La démence représente un défi majeur en matière de santé publique à l’échelle mondiale. Elle touche plus de 55 millions de personnes dans le monde, pour un coût annuel estimé à 820 milliards de dollars. Le nombre de cas devrait presque tripler au cours des 50 prochaines années.

La principale cause de démence est la maladie d’Alzheimer, qui représente 60 à 80 % des cas. Une détection précoce est essentielle, car c’est à ce moment-là que les traitements sont susceptibles d’être les plus efficaces. Cependant, le diagnostic et le pronostic précoces de la démence peuvent ne pas être précis sans le recours à des tests invasifs ou coûteux tels que la tomographie par émission de positons (TEP) ou la ponction lombaire, qui ne sont pas disponibles dans toutes les cliniques de la mémoire.

En conséquence, jusqu’à un tiers des patients peuvent être mal diagnostiqués et d’autres diagnostiqués trop tard pour que le traitement soit efficace.

Une équipe dirigée par des scientifiques du département de psychologie de l’université de Cambridge a développé un modèle d’apprentissage automatique capable de prédire si et à quelle vitesse une personne souffrant de troubles légers de la mémoire et de la pensée va développer la maladie d’Alzheimer. Dans une recherche publiée dans Médecine clinique électroniqueils démontrent qu’il est plus précis que les outils de diagnostic clinique actuels.

Pour construire leur modèle, les chercheurs ont utilisé des données de patients collectées de manière routinière, non invasive et peu coûteuse (des tests cognitifs et des IRM structurelles montrant une atrophie de la matière grise) auprès de plus de 400 personnes faisant partie d’une cohorte de recherche aux États-Unis.

Ils ont ensuite testé le modèle en utilisant des données de patients réels provenant de 600 autres participants de la cohorte américaine et, surtout, des données longitudinales de 900 personnes issues de cliniques de mémoire au Royaume-Uni et à Singapour.

L’algorithme a pu distinguer les personnes atteintes d’un trouble cognitif léger et stable de celles qui ont évolué vers la maladie d’Alzheimer au cours d’une période de trois ans. Il a pu identifier correctement les personnes qui ont développé la maladie d’Alzheimer dans 82 % des cas et identifier correctement celles qui n’en ont pas développé dans 81 % des cas, à partir de tests cognitifs et d’une IRM uniquement.

L’algorithme s’est révélé trois fois plus précis pour prédire la progression de la maladie d’Alzheimer que les normes de soins actuelles, c’est-à-dire les marqueurs cliniques standards (tels que l’atrophie de la matière grise ou les scores cognitifs) ou le diagnostic clinique. Cela montre que le modèle pourrait réduire considérablement les erreurs de diagnostic.

Le modèle a également permis aux chercheurs de stratifier les personnes atteintes de la maladie d’Alzheimer en utilisant les données de la première visite de chaque personne à la clinique de la mémoire en trois groupes : ceux dont les symptômes resteraient stables (environ 50 % des participants), ceux qui progresseraient lentement vers la maladie d’Alzheimer (environ 35 %) et ceux qui progresseraient plus rapidement (les 15 % restants).

Ces prévisions ont été validées par l’examen des données de suivi sur six ans. Ces données sont importantes car elles pourraient permettre d’identifier les personnes à un stade suffisamment précoce pour qu’elles puissent bénéficier de nouveaux traitements, tout en identifiant celles qui ont besoin d’une surveillance étroite car leur état est susceptible de se détériorer rapidement.

Il est important de noter que les 50 % de personnes qui présentent des symptômes tels que la perte de mémoire, mais qui restent stables, seraient mieux orientées vers un parcours clinique différent, car leurs symptômes peuvent être dus à d’autres causes plutôt qu’à la démence, comme l’anxiété ou la dépression.

L’auteur principal, le professeur Zoe Kourtzi du département de psychologie de l’université de Cambridge, a déclaré : « Nous avons créé un outil qui, bien qu’il n’utilise que des données provenant de tests cognitifs et d’IRM, est beaucoup plus sensible que les approches actuelles pour prédire si une personne passera de symptômes légers à la maladie d’Alzheimer – et si oui, si cette progression sera rapide ou lente.

« Cela pourrait améliorer considérablement le bien-être des patients, en nous montrant quelles personnes ont besoin des soins les plus proches, tout en supprimant l’anxiété des patients dont nous prévoyons qu’ils resteront stables. À une époque où les ressources de santé sont soumises à une pression intense, cela contribuera également à éliminer le besoin de tests diagnostiques invasifs et coûteux inutiles. »

Alors que les chercheurs ont testé l’algorithme sur des données provenant d’une cohorte de recherche, il a été validé à l’aide de données indépendantes incluant près de 900 personnes ayant fréquenté des cliniques de mémoire au Royaume-Uni et à Singapour.

Au Royaume-Uni, les patients ont été recrutés dans le cadre de l’étude quantitative d’IRM dans les cliniques de mémoire du NHS (QMIN-MC) menée par le co-auteur de l’étude, le Dr Timothy Rittman, au Cambridge University Hospitals NHS Trust et au Cambridgeshire and Peterborough NHS Foundation Trusts (CPFT).

Les chercheurs affirment que cela montre que cela devrait être applicable dans un contexte clinique et chez des patients du monde réel.

Le Dr Ben Underwood, psychiatre consultant honoraire au CPFT et professeur adjoint au département de psychiatrie de l’université de Cambridge, a déclaré : « Les problèmes de mémoire sont fréquents à mesure que nous vieillissons. En clinique, je constate à quel point l’incertitude quant à savoir s’il s’agit des premiers signes de démence peut être source de beaucoup d’inquiétude pour les personnes et leurs familles, et frustrante pour les médecins qui préféreraient de loin donner des réponses définitives.

« Le fait que nous puissions réduire cette incertitude grâce aux informations dont nous disposons déjà est passionnant et deviendra probablement encore plus important à mesure que de nouveaux traitements apparaîtront. »

Le professeur Kourtzi a déclaré : « Les modèles d’IA ne sont bons que dans la mesure où les données sur lesquelles ils sont formés le sont aussi. Pour nous assurer que le nôtre a le potentiel d’être adopté dans un contexte de soins de santé, nous l’avons formé et testé sur des données collectées en routine, non seulement à partir de cohortes de recherche, mais également auprès de patients dans de véritables cliniques de mémoire. Cela montre qu’il sera généralisable à un contexte réel. »

L’équipe espère maintenant étendre son modèle à d’autres formes de démence, telles que la démence vasculaire et la démence frontotemporale, et en utilisant différents types de données, tels que des marqueurs issus d’analyses sanguines.

Le professeur Kourtzi a ajouté : « Si nous voulons relever le défi sanitaire croissant que représente la démence, nous aurons besoin de meilleurs outils pour identifier et intervenir le plus tôt possible.

« Notre vision est de faire évoluer notre outil d’IA pour aider les cliniciens à affecter la bonne personne au bon moment au bon parcours de diagnostic et de traitement. Notre outil peut aider à associer les bons patients aux essais cliniques, accélérant ainsi la découverte de nouveaux médicaments pour les traitements modificateurs de la maladie. »