AI surpasse: Incroyable précision de 82% dans la prédiction de la progression de la maladie d'Alzheimer

Des chercheurs de Cambridge ont développé un outil d’IA qui prédit avec précision la progression de la maladie d’Alzheimer chez les personnes présentant des signes précoces de démence, en utilisant des méthodes non invasives et rentables. Cette innovation pourrait réduire considérablement le recours à des procédures de diagnostic coûteuses et améliorer les stratégies d’intervention précoce, bénéficiant potentiellement à des millions de personnes dans le monde. Crédit : SciTechDaily.com

Un modèle d’IA de l’Université de Cambridge peut prédire la progression de la maladie d’Alzheimer avec une précision de 82 % à l’aide de simples tests cognitifs et d’IRM, offrant ainsi une alternative non invasive et moins coûteuse aux diagnostics traditionnels.

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 dès le début, lorsque des interventions telles que des changements de mode de vie ou de nouveaux médicaments pourraient avoir une chance de fonctionner au mieux.

La démence pose un défi mondial important en matière de santé, touchant 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. La détection précoce est cruciale car c'est à ce moment-là que les traitements sont susceptibles d'être les plus efficaces, mais 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 nécessaires. disponible dans toutes les cliniques de la mémoire. En conséquence, jusqu’à un tiers des patients peuvent être mal diagnostiqués et d’autres peuvent être 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 présentant de légers problèmes de mémoire et de réflexion évoluera vers le développement de la maladie d’Alzheimer. Dans une recherche publiée aujourd'hui (12 juillet) dans la revue eClinical Medicine, ils montrent 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 régulièrement, non invasives et peu coûteuses – tests cognitifs et IRM structurelles montrant une atrophie de la matière grise – auprès de plus de 400 individus 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 provenant de cliniques de mémoire au Royaume-Uni et à Singapour.

L’algorithme a pu faire la distinction entre les personnes présentant une déficience cognitive légère stable et celles qui ont évolué vers la maladie d’Alzheimer sur une période de trois ans. Il a été capable d’identifier correctement les personnes qui ont développé la maladie d’Alzheimer dans 82 % des cas et d’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 était environ trois fois plus précis pour prédire la progression vers la maladie d’Alzheimer que la norme de soins actuelle ; c'est-à-dire des marqueurs cliniques standard (tels que l'atrophie de la substance grise ou des scores cognitifs) ou un 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 : celles dont les symptômes resteraient stables (environ 50 % des participants), celles qui progresseraient lentement vers la maladie d'Alzheimer (environ 35 %) et ceux qui progresseraient plus rapidement (les 15 %) restants. Ces prédictions ont été validées en examinant les données de suivi sur 6 ans. Ceci est important car cela pourrait aider à identifier ces personnes à un stade suffisamment précoce pour qu’elles puissent bénéficier de nouveaux traitements, tout en identifiant également celles qui nécessitent une surveillance étroite car leur état est susceptible de se détériorer rapidement.

Il est important de noter que les 50 % des personnes qui présentent des symptômes tels qu’une 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 utilise uniquement des données provenant de tests cognitifs et d'IRM, est beaucoup plus sensible que les approches actuelles pour prédire si quelqu'un progressera. des symptômes légers à la maladie d’Alzheimer – et si oui, si ces progrès seront rapides ou lents. »