Alzheimer: des chercheurs créent un modèle pour prédire le déclin
Des chercheurs du Massachusetts Institute of Technology ont développé un modèle d'apprentissage automatique qui pourrait prédire le taux de déclin cognitif lié à la maladie d'Alzheimer jusqu'à 2 ans dans le futur.
La maladie d'Alzheimer touche des millions de personnes dans le monde, mais les scientifiques ne savent toujours pas ce qui la cause.
Pour cette raison, les stratégies de prévention peuvent être aléatoires. De plus, les professionnels de la santé n’ont aucun moyen clair de déterminer le taux de déclin cognitif d’une personne une fois qu’un médecin lui a diagnostiqué la maladie d’Alzheimer.
Désormais, des chercheurs du Massachusetts Institute of Technology (MIT) à Cambridge - en collaboration avec des spécialistes d'autres institutions - ont développé un modèle d'apprentissage automatique qui pourrait permettre aux spécialistes de prédire dans quelle mesure le fonctionnement cognitif d'une personne changera jusqu'à 2 ans à l'avance. de ce déclin s’établit.
L'équipe - composée d'Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert et le professeur Rosalind Picard - présentera son projet plus tard cette semaine lors de la conférence Machine Learning for Healthcare. La conférence de cette année aura lieu à Ann Arbor, MI.
«Une prédiction précise du déclin cognitif de 6 à 24 mois est essentielle à la conception des essais cliniques», explique Rudovic. Ceci, ajoute-t-il, est dû au fait que «[être] capable de prédire avec précision les changements cognitifs futurs peut réduire le nombre de visites que le participant doit effectuer, ce qui peut être coûteux et prendre du temps.»
«En plus d'aider à développer un médicament utile», poursuit le chercheur, «l'objectif est d'aider à réduire les coûts des essais cliniques pour les rendre plus abordables et réalisés à plus grande échelle.»
Utiliser le méta-apprentissage pour prédire le déclin
Afin de développer leur nouveau modèle, l’équipe a utilisé les données de l’Initiative de neuroimagerie de la maladie d’Alzheimer (ADNI), qui est le plus grand ensemble de données d’essais cliniques sur la maladie d’Alzheimer au monde.
Grâce à l’ADNI, les chercheurs ont pu accéder aux données d’environ 1 700 personnes - certaines atteintes et d’autres non atteintes de la maladie d’Alzheimer - recueillies sur 10 ans.
L’équipe a eu accès à des informations cliniques, notamment des évaluations du fonctionnement cognitif des participants, des scintigraphies cérébrales, des données sur la composition de l’ADN des individus et des mesures du liquide céphalo-rachidien, qui révèlent des biomarqueurs de la maladie d’Alzheimer.
Dans un premier temps, les chercheurs ont développé et testé leur modèle d'apprentissage automatique en utilisant les données d'un sous-groupe de 100 participants. Cependant, il y avait beaucoup de données manquantes sur cette cohorte. Les enquêteurs ont donc décidé d’utiliser une approche statistique différente pour analyser les données disponibles de la cohorte de manière à rendre l’analyse plus précise.
Pourtant, le nouveau modèle n'a pas atteint le niveau de précision attendu par ses développeurs. Pour le rendre encore plus précis, les chercheurs ont utilisé les données d'une autre sous-cohorte de participants ADNI.
Cette fois, cependant, l'équipe a décidé de ne pas appliquer le même modèle à tout le monde. Au lieu de cela, ils ont personnalisé le modèle pour s'adapter à chaque participant, en prenant de nouvelles données au fur et à mesure qu'elles devenaient disponibles après chaque nouvelle évaluation clinique.
Avec cette approche, les chercheurs ont constaté que le modèle entraînait un taux d'erreur significativement plus faible dans ses prédictions. De plus, il a mieux fonctionné que les modèles d'apprentissage automatique existants appliqués aux données cliniques.
Pourtant, les chercheurs sont allés un peu plus loin pour s'assurer que leur approche laissait la place au moins d'erreur possible. Ils ont continué à concevoir un modèle de «méta-apprentissage» qui peut choisir la meilleure approche pour prédire les résultats cognitifs de chaque participant.
Ce modèle choisit automatiquement entre la population globale et l'approche personnalisée, en calculant celle qui offrira probablement la meilleure prédiction pour un individu donné à un moment donné.
Les chercheurs ont constaté que cette approche réduisait le taux d'erreur des prédictions jusqu'à 50% supplémentaires.
«Nous n’avons pas pu trouver un modèle unique ou une combinaison fixe de modèles qui pourraient nous donner les meilleures prévisions», explique Rudovic.
«Nous voulions donc apprendre à apprendre avec ce programme de méta-apprentissage. C'est comme un modèle au-dessus d'un modèle qui agit comme un sélecteur, formé à l'aide de méta-connaissances pour décider quel modèle est préférable de déployer. "
Ognjen Rudovic
À l'avenir, l'équipe vise à former un partenariat avec une société pharmaceutique pour tester ce modèle dans un essai en cours sur la maladie d'Alzheimer.
