care_insight

Des chercheurs français de l’INRIA, de l’ICM (Institut du cerveau et de la moelle épinière) et du NeuroSpin associés à des chercheurs des Universités de Liège et Buenos Aires ont mis au point un algorithme de machine-learning pour développer un outil permettant de diagnostiquer les états de conscience. Les résultats de leur étude* publiée le 4 octobre 2018 dans la revue Brain montrent que des marqueurs de l’activité cérébrale extraits d’électroencéphalogrammes sont de bons marqueurs de l’état de conscience et qu’ils peuvent être identifiés de manière fiable, économique et automatique avec l’apprentissage automatique.

Distinguer l’état végétatif de l’état de conscience minimale représente un défi majeur pour les spécialistes des neurosciences. Or, ce diagnostic compliqué qui nécessite souvent le recours à des examens complémentaires de neuro-imagerie fonctionnelle n’est pas sans conséquence pour la prise en charge de ces patients qui ont connu une période de coma. Des outils ont certes été développés ces dernières années mais ils ne sont disponibles que dans quelques centres experts.

Le machine-learning au service des états de conscience 

Des chercheurs français de l’Inria, du Neurospin, de l’ICM (Institut du cerveau et de la moelle épinière) ainsi que des chercheurs de l’université de Buenos Aires/Sorbonne Université ont eu l’idée de développer une autre technique. En fait, des découvertes récentes suggèrent que de multiples marqueurs de l’activité cérébrale extraits de l’électroencéphalogramme (EEG) pourraient repérer les différents états de conscience du cerveau humain. En outre, il a été constaté que l’apprentissage automatique optimisait leur capacité à discriminer ces différents états de conscience dans la pratique clinique. Cependant, on ignore pour le moment à quel point ces marqueurs EEG sont fiables face à la variabilité du signal. Ce dernier dépend des configurations EEG, des protocoles EEG et des sous-populations de différents centres rencontrés dans la pratique.

28 biomarqueurs pour un algorithme

Les auteurs de l’étude publiée dans la revue Brain le 4 octobre ont donc analysé 327 enregistrements présentant des troubles de la conscience (148 étaient en état végétatif et 179 en état de conscience minimale) ainsi que 66 témoins sains. L’outil diagnostic appelé « DoC-Forest » (DoC pour Disorder of Consciousness et Forest du nom de l’algorithme utilisé) est construit à partir des données cliniques de l’Hôpital de la Pitié-Salpêtrière. Les chercheurs « ont compilé des biomarqueurs EEG de la conscience avec différents modalités de capteurs et d’enregistrement et ils les ont combinés grâce à un algorithme de machine-learning », indique l’Inria dans un communiqué de presse. Quelque 28 biomarqueurs ont été extraits. DoC-Forest a ensuite été testé dans différentes conditions, sur plusieurs jeux de données, afin de savoir si le diagnostic reste fiable dans n’importe quel centre dans le monde.

Des résultats robustes

L’algorithme s’est révélé performant et robuste. « Nous mettons en évidence le fait que le modèle multivarié, combinant plusieurs caractéristiques, est particulièrement robuste lorsque différentes configurations EEG sont utilisées pour entraîner le dispositif grâce au machine-learning, » a déclaré Denis Engemmann (Inria Saclay/CEA NeuroSpin), premier auteur de l’étude. La performance de l’outil s’est révélée identique qu’elle que soit la situation clinique (anoxie, AVC, traumatisme crânien). Cependant, les résultats étaient un peu inférieurs en cas de traumatisme crânien, suggérant une plus grande hétérogénéité dans ce groupe.

Un outil accessible au plus grand nombre

Les auteurs estiment qu’en utilisant un algorithme de classification robuste, il est possible de généraliser l’utilisation d’un tel outil. D’autant que des enregistrements de courte durée et quelques 16 électrodes suffisent à discriminer les différents états de conscience. « DoC-Forest » sera accessible à tous les patients internationalement. Les travaux futurs devront démontrer si le modèle proposé peut être généralisé à d’autres scénarios de perte de conscience, tels que le sommeil ou l’anesthésie.