Biomarqueurs EEG basés sur l'apprentissage automatique pour des interventions personnalisées (EEG-INSIGHT)

Ce projet vise à développer un modèle d'intelligence artificielle pour prédire la réponse à un traitement de neuromodulation (stimulation transcrânienne par courant continu, tDCS) pour la douleur neuropathique (NP) suite à une lésion médullaire (LME), sur la base de signaux électroencéphalographiques (EEG) et d'évaluations cliniques. Le projet se compose de deux étapes :

L'étape 1 implique un essai ouvert où les participants atteints de LME et de NP recevront un traitement de neuromodulation dans notre centre, avec des données collectées avant et après le traitement.

Évaluation avant traitement :

• Évaluation clinique au moyen d'entretiens et de questionnaires validés ciblant les facteurs associés à la douleur neuropathique, à la dépression et à d'autres éléments pertinents.
• Enregistrement EEG à l'aide d'un appareil à 64 canaux (Brain Products GmbH, Allemagne). L'EEG sera enregistré dans une salle insonorisée avec des participants au repos, d'abord les yeux ouverts pendant 5 minutes, puis les yeux fermés pendant encore 5 minutes. Il sera demandé aux participants d'éviter l'alcool 12 heures avant et la caféine 3 heures avant l'enregistrement.

Traitement de neuromodulation :

• Le protocole de traitement comprend 10 séances de stimulation non invasive, chacune d'une durée de 30 minutes.
• Le tDCS sera administré à l'aide d'un stimulateur DC alimenté par batterie (Sooma tDCS, Helsinki, Finlande) avec des électrodes circulaires saturées de solution saline de 6 cm².
• L'anode sera placée sur C3 (système EEG 10/20) pour stimuler le cortex moteur primaire (M1) et la cathode sur la zone supraorbitaire controlatérale (FP2).
• Pour les douleurs asymétriques, la stimulation sera appliquée au M1 controlatéral à l'hémicorps le plus douloureux. Pour les douleurs symétriques, l'hémisphère dominant (C3) sera stimulé.
• Le courant maximum délivré sera de 2 mA (densité de courant : 0,06 mA/cm²).
• Les séances auront lieu une fois par jour pendant deux semaines (du lundi au vendredi), pour un total de 10 séances. Tous les paramètres de stimulation respectent les directives générales de sécurité pour la stimulation électrique transcrânienne.

Évaluation post-traitement :

• Mené au moyen d'entretiens et des mêmes questionnaires validés que ceux utilisés dans l'évaluation préalable au traitement.

Dans le cadre de l'intervention, les participants subiront un enregistrement EEG pour étudier l'activité bioélectrique du cerveau de manière non invasive. Des électrodes de surface actives avec du gel d'électrode seront utilisées pour améliorer la conductivité cutanée. Les enregistrements EEG seront effectués au repos, les participants regardant un mur blanc dans une pièce insonorisée, pendant 5 minutes les yeux ouverts et 5 minutes les yeux fermés.

L'étape 2 consiste à développer un modèle prédictif pour classer les patients en fonction de leur réponse au traitement de neuromodulation. Le modèle utilisera des mesures dérivées des enregistrements EEG pré-traitement et des évaluations cliniques menées avant et après le traitement, dans le but de prédire quels patients répondront favorablement au tDCS.

Le prétraitement EEG sera effectué au moyen du langage de programmation Python, en utilisant un pipeline de prétraitement sur mesure basé sur la bibliothèque MNE-Python comprenant : l'élimination sélective des canaux et des segments aberrants, des filtres de fréquence, une analyse de composants indépendante supervisée et auto-étiquetée pour l'élimination de activité musculaire et oculaire et détection d'électrodes pontées.

Les enregistrements EEG seront analysés à l'aide de métriques dérivées de la fréquence, de la complexité et de la connectivité du signal EEG. Ces mesures ont été sélectionnées en raison de leur potentiel démontré dans des publications connexes, qui mettent en évidence la capacité de ces caractéristiques à capturer les différences entre les groupes, soit entre les répondeurs au traitement et les non-répondeurs, soit entre les sujets sains et ceux souffrant de NP, entre autres. Sur la base de ces caractéristiques EEG et d'autres caractéristiques dérivées des questionnaires des patients, un processus de sélection des caractéristiques basé sur l'indépendance métrique et la pertinence dans la littérature précédente sera effectué afin de maximiser la généralisabilité du modèle.

Un modèle d'apprentissage automatique (ML), le principal modèle candidat étant une machine à vecteurs de support (SVM), sera utilisé afin de classer entre répondeurs et non-répondants. Le modèle sera validé au moyen d'une validation croisée k-fold. Compte tenu des résultats satisfaisants, un sous-échantillonnage des canaux EEG (adhérant aux configurations typiques 10:20) sera utilisé pour évaluer si un EEG avec moins d'électrodes peut produire des résultats prédictifs similaires, réduisant ainsi le besoin de systèmes EEG avec un nombre élevé d'électrodes.