Utilisation de l’apprentissage automatique pour prédire les maladies d’Alzheimer et de Parkinson

• Département santé de précision 
• Unité de Recherche sur le Phénotypage Numérique Profond
• Maladie de parkinson
• Centre de Compétence Méthodologie & Statistiques (CCMS)

Dans une nouvelle étude récemment publiée par l’unité de recherche sur le phénotypage numérique profond du département de la santé de précision du LIH, les chercheurs montrent comment les réseaux neuronaux profonds peuvent être utilisés pour prédire l’apparition de maladies neurodégénératives.

Pour la population âgée, les maladies neurodégénératives telles que la maladie d’Alzheimer, la maladie de Parkinson et la démence constituent une menace omniprésente, responsable de décès prématurés, de handicaps et d’une mauvaise qualité de vie. L’augmentation de l’espérance de vie s’accompagne d’une augmentation des taux épidémiologiques de maladies neurodégénératives et, par conséquent, de la nécessité de les comprendre et de les traiter. Pour compliquer les choses, avant que les symptômes des maladies neurodégénératives ne deviennent clairement apparents et très invalidants, il y a souvent une période prolongée d’apparition précoce ou « prodromique », au cours de laquelle les symptômes sont légers et très variés. Même avant ces périodes, des facteurs environnementaux comme les polluants et l’exercice physique peuvent jouer un rôle essentiel dans le développement de la maladie, en agissant comme un facteur de risque ou de protection. En outre, dans la phase prodromique, ils peuvent accélérer ou ralentir l’apparition de la maladie. La compréhension de ces phases prodromiques est cruciale pour prédire le développement des maladies neurodégénératives, minimiser les facteurs de risque et promouvoir les facteurs de protection.

En raison de la nature diverse des symptômes et des risques dans les phases précoces des maladies neurodégénératives, le développement de modèles et d’analyses prédictives est un défi de taille pour les chercheurs et les cliniciens. Néanmoins, des analyses statistiques ont été réalisées avec des degrés variables de succès prédictif. L’avènement et le développement récents d’outils d’apprentissage automatique, dans lesquels des algorithmes peuvent être entraînés à faire des prédictions sur la base d’ensembles de données étendus et variés, constituent une voie prometteuse pour la prédiction et la détection précoce des maladies neurodégénératives. L’apprentissage automatique peut également permettre de découvrir des facteurs prédictifs inconnus jusqu’alors. L’unité de recherche sur le phénotypage numérique profond du département de la santé de précision du LIH, dirigée par le Dr Guy Fagherazzi, a récemment publié une étude dans laquelle elle examine si l’apprentissage automatique, en particulier les réseaux neuronaux profonds, peut être utilisé pour prédire les maladies neurodégénératives et dans quelle mesure il se compare aux méthodes statistiques plus traditionnelles. Les réseaux neuronaux profonds ont déjà été utilisés dans divers domaines médicaux, notamment la découverte de médicaments, l’analyse d’images médicales et la génétique. Cependant, ils sont rarement utilisés en épidémiologie à l’aide d’ensembles de données tabulaires.

Les chercheurs, dirigés par le Dr Gloria Aguayo, ont formé et testé trois réseaux neuronaux profonds et deux modèles statistiques traditionnels sur un vaste ensemble de données provenant de l’étude longitudinale anglaise sur le vieillissement, qui s’étend sur 12 ans et comprend plus de 5 000 participants. Ils ont choisi plus de 90 variables à examiner comme prédicteurs des maladies neurodégénératives. L’âge, la mémoire et l’activité physique étaient les facteurs les plus significatifs pour prédire les maladies neurodégénératives. Il est intéressant de noter que d’autres variables hautement prédictives étaient une mauvaise audition, une perte de poids et la vitesse de la marche. 

En ce qui concerne l’impact prédictif possible de l’apprentissage automatique, l’équipe a découvert qu’un réseau neuronal profond spécifique, TabTransformer, avait une capacité prédictive supérieure à celle des autres méthodes. Ils suggèrent que pour les chercheurs à l’avenir, TabTransformer pourrait être une alternative puissante aux modèles statistiques plus établis.

La valeur ajoutée de cette étude est que nous présentons une méthodologie reproductible sophistiquée, combinant une approche nouvelle avec des techniques de pointe. Cette analyse peut être appliquée dans des études prédictives sur la population générale et des cohortes cliniques, notamment celles des maladies neurodégénératives. En outre, les réseaux neuronaux profonds ont de nombreuses applications potentielles dans les cohortes comportant des données riches et diverses (données épidémiologiques, cliniques et d’images), ainsi que celles comportant des données manquantes

selon l’auteur principal, le Dr Gloria Aguayo.

L’article complet publié dans la revue BMC Medical Research Methodology peut être consulté en ligne ici.

Cette étude a été présentée lors de la réunion du consortium du Centre national d’excellence pour la recherche sur la maladie de Parkinson (NCER-PD) en mai 2021. L’étude a été réalisée en collaboration avec la plate-forme bioinformatique, le Centre de compétence en méthodologie et statistique (CCMS) et le consortium NCER-PD.

Ce travail a été soutenu par le National Centre of Excellence in Research on Parkinson’s Disease (NCER-PD), financé par le Fonds national de la recherche du Luxembourg (FNR/NCER13/BM/11264123).