L’intelligence artificielle permet de prédire avec précision l’âge de survenue de la maladie d’Alzheimer en utilisant des données cliniques complexes et hétérogènes

Annette Spooner, de l’Ecole d’informatique et ingénierie de l’Université de Nouvelle-Galles-du-Sud à Sydney (Australie), dans une étude coordonnée par le Pr Henry Brodaty, du centre de recherche sur la santé cérébrale de la même université, a appliqué les méthodes d’apprentissage machine (machine learning, un sous-domaine de l’intelligence artificielle) pour développer un modèle prédictif de l’âge de survenue de la maladie d’Alzheimer. Ces modèles pourraient être plus précis que les méthodes statistiques traditionnelles utilisées dans les essais cliniques. Les programmes de machine learning permettent en effet d’analyser des données cliniques complexes, hétérogènes, multi-dimensionnelles, avec des données manquantes. Les algorithmes d’apprentissage permettent d’obtenir des résultats de plus en plus précis sans que la machine soit explicitement programmée par un humain. La précision du modèle dépend, d’une part, de la performance et de la stabilité des algorithmes et, d’autre part, de la qualité des données cliniques à analyser. Les chercheurs australiens sont parvenus à modéliser correctement la progression clinique de la maladie dans 82 % des cas en utilisant la cohorte Sydney Memory and Ageing Study, une cohorte longitudinale de participants âgés de 70 à 90 ans étudiant les effets du vieillissement sur la cognition, et dans 93 % des cas en utilisant la cohorte Alzheimer’s Disease Neuroimaging Initiative (ADNI).

En Allemagne, Suqing Chen, du département d’informatique et Daniel Stromer, du département de neurologie de l’Université Friedrich-Alexander à Erlangen-Nuremberg, ont appliqué des méthodes de deep learning (apprentissage machine utilisant la technologie des réseaux de neurones artificiels, reproduisant les modes d’apprentissage du cerveau humain) et analysé les performances au test de l’horloge (dessiner la position des aiguilles représentant une heure donnée, en distinguant bien la petite et le grand aiguille) chez 1 315 personnes. La machine arrive à détecter un déficit cognitif dans 96 % à 98 % des cas. Le test papier peut être scanné par un téléphone mobile et l’évaluation peut être faite à distance.

Spooner A et al. A comparison of machine learning methods for survival analysis of high‑dimensional clinical data for dementia prediction. Sci Rep 2020 ; 10 : 20410, 23 novembre 2020. www.nature.com/articles/s41598-020-77220-w.pdf (texte intégral).

Chen S et al. Automatic dementia screening and scoring by applying deep learning on clock-drawing tests. Sci Rep 2020; 10: 20854. 30 novembre 2020. www.ncbi.nlm.nih.gov/pmc/articles/PMC7704614/ (texte intégral).