Detail

Sprachnavigation

Mobile Navigation

Interprétation des schémas de marche en cas de SEP

Une intelligence artificielle pourrait analyser des anomalies de la marche et aider à identifier les personnes atteintes de sclérose en plaques qui présentent un risque élevé de voir leur maladie s’aggraver sous peu. Une avancée qui pourrait permettre des traitements individuels et très ciblés.

Les troubles de la marche font partie des symptômes les plus courants de la sclérose en plaques (SEP). Néanmoins, mesurer ces anomalies de manière objective peut s’avérer difficile. La démarche est très différente d’une personne à l’autre car elle est influencée par des mécaniques propres au corps de chaque individu. Par ailleurs, les schémas de marche tendent à évoluer avec l’âge et il peut être difficile de différencier les changements liés à l’âge de ceux liés à la maladie. Dans une récente étude, une équipe sous la direction de chercheurs de l’université de l’Illinois a eu recours à l’apprentissage machine (intelligence artificielle) afin de mieux identifier et interpréter les anomalies de la marche chez les personnes âgées atteintes de SEP.

D’après Richard Sowers, professeur à l’Université de l’Illinois et co-auteur de l’étude, les troubles des systèmes biomécaniques comme la marche sont difficiles à détecter dans un cadre clinique. «Nous souhaitions mieux comprendre les interactions entre le vieillissement et les changements imputables à la SEP qui surviennent en parallèle, puis déterminer s’il nous serait possible de différencier les deux chez les personnes âgées atteintes de SEP», ajoute Manuel Hernandez, co-auteur de l’étude et professeur à la même université.

L’apprentissage machine consiste à fournir un jeu de données à un ordinateur. Ce dernier va par la suite développer, sur la base de certaines limites mathématiques prédéterminées, des algorithmes permettant de comprendre ces données (p. ex. un algorithme permettant de faire la distinction entre des personnes atteintes de SEP et des personnes non atteintes). Les chercheurs ont collecté les données de marche de 20 personnes âgées diagnostiquées de sclérose en plaques (de 61 ans en moyenne), ainsi que de 20 personnes non atteintes de SEP, dont l’âge, le poids et le sexe correspondaient à ceux des premières. Les participants ont été soumis à deux analyses pendant qu’ils marchaient sur un tapis roulant spécialement conçu, une première fois uniquement en marchant, une deuxième fois en marchant et en parlant simultanément.

À l’aide d’un logiciel spécial, les chercheurs ont collecté de nombreuses données: la rapidité de la marche, la longueur de chaque pas, la distance entre les pieds lors de la marche, etc. Ils ont également eu recours à des méthodes statistiques afin de tenir compte de certaines différences de manière mathématique (par exemple, les individus plus grands ont généralement des jambes plus longues et font donc de plus grands pas). Il était déjà possible, avant l’utilisation d’algorithmes, de repérer quelques tendances générales dans les schémas de marche de ces deux groupes d’individus. Les personnes atteintes de SEP tendent par exemple à marcher plus lentement, à faire de plus petits pas et à avoir un écart plus important entre les deux pieds.

Mais ce n’est qu’une fois que ces données ont été analysées grâce à l’apprentissage machine qu’il a été possible d’identifier les personnes atteintes de SEP présentant un risque accru de connaître une aggravation des symptômes. «La détection précoce de ce point d’inflexion chez les personnes âgées atteintes de SEP peut donner lieu à des stratégies de détection simples et efficaces», écrit l’équipe de recherche. «Notre méthode pourrait profiter à la fois aux malades et aux médecins, et aider à réduire les coûts des traitements contre la SEP grâce à une précision accrue.»

Etant donné que cette étude n’a pu comparer qu’un nombre relativement faible de personnes atteintes de SEP et de personnes non atteintes, il est nécessaire de poursuivre les recherches. «Dans cette étude, nous avons essayé de tirer des conclusions depuis des jeux de données comportant de nombreuses mesures relatives à chacun des participants, mais elle ne portait que sur un petit nombre d’individus», ajoute le professeur Sowers. «Les résultats de cette étude offrent des avancées considérables en matière de stratégies de prédiction clinique de l’évolution de la maladie grâce à l’apprentissage clinique.»

Date de publication de l’original:  31.03.2021 - tiré de Multiple Sclerosis News Today
×