Pouvoir prédire qui souffrira de démence avec précision grâce à l’intelligence artificielle. C’est le sujet de recherche d’une équipe de chercheurs de l’Université d’Exeter au Royaume-Uni. Les résultats de leur étude ont été publiés dans JAMA Network Open et montrent comment ils ont développé des algorithmes d’apprentissage automatique pouvant prédire l’incidence de la démence sur 2 ans. Les données de plus de 15 000 patients américains ont été intégrées qui ont démontré que les systèmes d’IA étaient très efficients puisque 92% des résultats étaient justes.
Parmi les patients des cliniques traitant les troubles de la mémoire comme la maladie d’ Alzheimer par exemple, ceux souffrant de démence au départ des traitements sont en minorité. Le défi pour les médecins est d’identifier les patients qui risquent de développer une démence. Jusqu’à présent, ils se basent sur une déficience cognitive légère (MCI) lors de l’évaluation initiale pour décider d’un suivi adapté à une démence prochaine.
L’apprentissage automatique permet d’exploiter des masses de données complexe. Ces algorithmes peuvent intégrer des informations non utilisées habituellement par les cliniques comme la neuroimagerie avancée, les tests génétiques et les bio-marqueurs du liquide céphalo-rachidien, etc. Par contre, les chercheurs et les spécialistes profitent de cette application clinique.
Des algorithmes avec 92% de précision
L’étude des chercheurs d’Exeter portait sur la possibilité pour des algorithmes de Machine Learning de prédire la démence à 2 ans et de comparer ces prédictions aux modèles existants. Dans ce but, ils ont utilisé les données de 15 307 patients sans démence au départ, soignés dans 30 cliniques traitant les troubles de la mémoire du National Alzheimer Coordinating Center aux USA entre 2005 et 2015.
Ils ont ensuite mis en oeuvre quatre algorithmes ML : régression logistique (LR), support vector machine (SVM), random forest (RF) et gradient-boosted tree (XGB) pour classer les patients suivant la probabilité ou non de développer une démence.
1568 de ces patients ont reçu un diagnostic de démence 2 ans après leur première visite durant ces dix années, soit environ 10%, ce que les algorithmes d’apprentissage automatique ne nécessitant que 6 variables, ont prédit avec une précision allant jusqu’à 92%. Ces modèles ont même permis de révéler 80% des erreurs de diagnostic qui selon les chercheurs étaient de l’ordre de 8% (130 cas corrigés après constat de l’erreur).
Le professeur David Llewellyn, boursier Alan Turing basé à l’Université d’Exeter, a déclaré :
“Nous sommes maintenant en mesure d’enseigner aux ordinateurs à prédire avec précision qui développera une démence dans les deux ans. Nous sommes également ravis d’apprendre que notre approche d’apprentissage automatique a permis d’identifier les patients susceptibles d’avoir été mal diagnostiqués.
Cela offre une possibilité de réduire les conjectures dans la pratique clinique et d’améliorer considérablement le cheminement diagnostique, en aidant les familles à accéder au soutien dont elles ont besoin aussi rapidement et aussi précisément que possible.”
La conclusion de cette étude est que les modèles de ML sont plus fiables dans leur prédiction de la démence incidente à 2 ans que les autres modèles existant. D’autre part, six facteurs clés pour le risque de démence identifiés dans cette étude ont le potentiel d’améliorer la pratique clinique et la prise de décision. Le Dr Janice Ranson, chercheuse au sein de la faculté de médecine de l’Université d’Exeter, a déclaré :
“Nous savons que la démence est une maladie très redoutée […] L’intégration de l’apprentissage automatique dans les cliniques de la mémoire pourrait aider à garantir que le diagnostic est beaucoup plus précis, réduisant ainsi la détresse inutile qu’un mauvais diagnostic pourrait causer.
“
Références : Performance of Machine Learning Algorithms for Predicting Progression to Dementia in Memory Clinic Patients, Charlotte James, Janice M. Ranson, Richard Everson, David J. Llewellyn – JAMA Netw Open. 2021;4(12):e2136553. doi:10.1001/jamanetworkopen.2021.36553
