Prédire l'évolution du déclin cognitif subjectif de la maladie d'Alzheimer grâce à l'apprentissage automatique (PREVIEW)

Le Centre Régional de Référence pour la Maladie d'Alzheimer et les Troubles Cognitifs de l'Hôpital Careggi de Florence, a commencé il y a environ 25 ans à collecter des données cliniques, neuropsychologiques, de personnalité et de style de vie pour les patients atteints de Déclin Cognitif Subjectif (SCD). A partir de ces données, l'objectif de la présente étude est d'augmenter le nombre de variables collectées sur les sujets SCD et d'élargir le suivi clinique afin de délimiter plus précisément le cheminement de la maladie et d'identifier très tôt les sujets à risque de conversion dans la maladie d'Alzheimer (MA ).

Les avantages de la détection des troubles cognitifs aux stades précoces sont essentiels. Une telle détection a traditionnellement été effectuée manuellement par un ou plusieurs cliniciens sur la base de rapports et de résultats de tests. Les algorithmes d'apprentissage automatique offrent une méthode de détection qui peut fournir un processus automatisé et des informations précieuses sur le diagnostic et la classification. Avec cet outil, les cliniciens pourraient concevoir des dépistages optimaux pour prédire, déjà au stade de la SCD, les évolutions possibles des conditions du patient, et, à travers des protocoles décisionnels, établir le degré de pertinence des investigations/examens à effectuer pour chaque patient, en fonction des état de risque.

Le but de cette étude est d'évaluer, grâce à des outils d'apprentissage automatique, l'exactitude des données cliniques, l'évaluation neuropsychologique, les traits de personnalité, la réserve cognitive, les facteurs génétiques, les biomarqueurs de neurodégénérescence du liquide céphalo-rachidien (LCR) et les caractéristiques de l'EEG et les potentiels liés aux événements (ERP). ) pour prédire la conversion de la condition SCD en déficience cognitive légère (MCI) et AD.

Tous les participants subiront une histoire familiale et clinique complète, un examen général et neurologique, une batterie neuropsychologique approfondie (environ 19 tests explorant tous les domaines cognitifs : mémoire, attention, fonctions exécutives, langage, praxis), une estimation de l'intelligence prémorbide (TIB - Test di Intelligenza Breve, une version italienne du National Adult Reading Test - NART), des traits de personnalité (Big Five Factors Questionnaire - BFFQ), et l'évaluation des activités de loisirs (interview structurée concernant la participation à des activités intellectuelles, sportives et sociales) ainsi que l'évaluation de la dépression ( Échelle d'évaluation de la dépression de Hamilton - HDRS). De plus, tous les patients subiront une analyse du LCR pour évaluer les biomarqueurs établis (Aβ42, tau total, p-tau) et des échantillons de sang pour l'analyse de l'ADN seront prélevés pour identifier les génotypes de l'apolipoprotéine E (APOE) et du facteur neurotrophique dérivé du cerveau (BDNF). . En particulier, seront analysés trois polymorphismes mononucléotidiques (SNP) différents :

• Le BDNF SNP Val66Met (substitution valine-méthionine) était déjà associé à une mémoire épisodique plus faible et à une activation hippocampique anormale testée par IRM
• Les gènes APOE rs429358 et rs7412 impliqués dans la formation de la plaque amyloïde Seules les évaluations cliniques et neuropsychologiques sont répétées annuellement afin d'évaluer la progression du déclin.

Le sous-échantillon sera sélectionné incluant tous les nouveaux cas de SCD inclus dans l'étude (environ 50), tous les sujets convertis en MCI (environ 25), et tous les patients, déjà étudiés, qui rapportent un trouble cognitif subjectif depuis moins de 10 ans (environ 75).

Ce sous-échantillon sélectionné effectuera également des investigations supplémentaires : biomarqueurs du LCR, enregistrements EEG à l'état de repos et enregistrement ERP.

Pour environ 150 sujets, l'activité EEG sera enregistrée. Les participants se verront administrer une batterie de tests ERP avec EEG enregistré simultanément. L'analyse des données EEG, en particulier, commencera par un pipeline de traitement EEG standardisé à un stade précoce (PREP Pipeline) axé sur le filtrage élevé à 1 Hz, l'identification des canaux défectueux et le calcul d'une référence moyenne robuste. Les chercheurs effectueront des époques de signal en utilisant des époques de longueur fixe pour les mesures de l'état de repos et des époques verrouillées par un stimulus pour les signaux acquis pendant les tâches. Les époques contenant un signal artéfact seront supprimées avec une procédure semi-automatique. Les chercheurs appliqueront ensuite une analyse des composants indépendants (ICA) aux données, suivie d'une détection semi-automatique des composants artefactuels basée sur des mesures d'autocorrélation, de corrélation avec l'électrode EOG, la topographie du canal focal et la qualité de l'ajustement dipolaire mono-source. Enfin, les chercheurs calculeront les caractéristiques de puissance au niveau de l'espace du capteur, c'est-à-dire les puissances des bandes de fréquences, et les métriques de connectivité fonctionnelle linéaire/non linéaire, c'est-à-dire la fonction de transfert direct et les informations mutuelles, au niveau de la source après une procédure de reconstruction de la source, c'est-à-dire Méthode de tomographie électromagnétique cérébrale à basse résolution (LORETA) (Pascual-Marqui et, al 2002).

L'analyse de l'apprentissage automatique se déroulera comme suit. La première analyse inclura tous les patients qui ont été diagnostiqués avec SCD dans les travaux préliminaires. Les enquêteurs définiront un ensemble de caractéristiques multimodales comprenant l'ensemble des 19 tests neuropsychologiques, une sélection des évaluations de la personnalité et le profil génétique. Les chercheurs définiront une métrique commune basée sur la dispersion de chaque dimension unique du profil, puis formeront un algorithme d'apprentissage automatique pour associer chaque "vecteur" de profil à l'évolution associée de la maladie après un temps fixe (dans un premier temps, l'éventuelle les catégories seront uniquement SCD, MCI, AD sans autres sous-niveaux, mais cela peut être amélioré lors de cycles ultérieurs). Tout d'abord, les chercheurs effectueront cette classification avec des procédures d'apprentissage automatique standard en tant que machine à vecteurs de support (SVM, utilisant des arbres de décision binaires) et les k plus proches voisins (kNN). Ensuite, ils exploiteront le fait que les évaluations neurophysiologiques sont répétées annuellement (voir ci-dessus) pour utiliser l'algorithme SuStaIn précédemment appliqué aux données de neuroimagerie (voir état de l'art et Young 2018). Brièvement, l'algorithme z-score chaque dimension du profil et modélise avec une fonction linéaire par morceaux les différents chemins d'accumulations de chaque marqueur, c'est-à-dire la progression des valeurs saines aux valeurs anormales. Cette approche surpasse non seulement les algorithmes standards pour prédire l'état final des sujets en fonction du profil de départ, mais met en évidence les différents chemins qui peuvent conduire au même résultat. Dans un ensemble d'analyses distinct, les enquêteurs suivront une approche d'apprentissage en profondeur, en utilisant exactement les mêmes profils de sujets pour former un réseau de neurones artificiels à action directe (ANN) à plusieurs niveaux prédisant l'état du patient après un temps fixe. Les réseaux seront formés avec des techniques standard de descente de gradient et de rétropropagation et au moyen de procédures d'abandon et de normalisation par lots, les enquêteurs obtiendront des résultats de classification automatique robustes. En comparant les performances de classification SuStaIn et ANN, ils décideront de l'approche la plus pratique pour la tâche. De plus, ils appliqueront des techniques standard de réduction de la dimensionnalité pour extraire les caractéristiques les plus saillantes et répéteront la procédure décrite ci-dessus pour évaluer s'il est possible d'obtenir les mêmes résultats avec un sous-ensemble des projections.

L'approche sélectionnée sera ensuite répétée pour les nouveaux patients recrutés au cours de PREVIEW et ceux subissant une analyse de suivi au cours du projet. La seule différence sera le nouvel ensemble de facteurs inclus dans l'analyse, y compris toutes les données utilisées dans la première version, mais aussi le BDNF, les biomarqueurs du LCR et les nouvelles caractéristiques extraites des enregistrements EEG à l'état de repos et de l'ERP. Cela nécessitera la définition d'une deuxième métrique multimodale pour toutes les fonctionnalités, ainsi qu'un remodelage et un recyclage conséquents du réseau d'apprentissage automatique. Comme décrit ci-dessus, même pour la deuxième version de l'algorithme, les chercheurs viseront à définir l'ensemble minimal de fonctionnalités permettant d'obtenir les performances optimales. Le résultat final de l'algorithme fournira une prédiction de l'évolution de la condition pour chaque patient en fonction de son profil complet.