CoMPaSS-NMD - Modèles informatiques pour les stratégies de stratification des nouveaux patients du HNMD (CoMPaSS-NMD)

Les troubles neuromusculaires héréditaires (HNMD) sont des maladies génétiques héréditaires qui provoquent une faiblesse et une atrophie musculaires progressives, ayant un impact significatif sur la mobilité et conduisant souvent à un handicap à long terme [1, 2]. Ces conditions nuisent considérablement à la participation sociale, entraînent une perte d'indépendance et peuvent conduire à une mort prématurée [3]. En plus d’affecter les activités quotidiennes et l’engagement social, les HNMD nécessitent des soins approfondis de la part des autres, imposant un fardeau personnel, social et économique important aux patients, à leurs familles et à la société. Les HNMD constituent un sous-groupe au sein de la catégorie plus large des troubles musculo-squelettiques, qui constituent la principale cause d’années vécues avec un handicap. Bien que rares individuellement, les HNMD affectent collectivement plus de deux millions de personnes dans le monde [4].

Les diagnostics des HNMD impliquent souvent de multiples investigations coûteuses qui peuvent être partielles ou non concluantes, laissant les pronostics individuels incertains. Les études génétiques actuelles ont identifié 16 groupes de HNMD avec plus de 600 gènes responsables [5]. La classification des HNMD repose désormais principalement sur des facteurs tels que le mode de transmission, la mutation génétique, la présentation clinique de la faiblesse, les caractéristiques histologiques, l'âge d'apparition, le taux de progression et le pronostic.

L'analyse moléculaire de l'ADN est devenue la norme pour diagnostiquer ces maladies. Cependant, un séquençage génétique approfondi a révélé un large spectre phénotypique, avec des présentations cliniques différentes chez des patients ou des parents sains porteurs de mutations dans le même gène, compliquant la corrélation avec la « Gestalt » clinique. Les patients atteints de HNMD présentent souvent des caractéristiques et des changements similaires en imagerie musculaire et en histologie, mais certains peuvent présenter des mutations dans différents gènes, tandis que d'autres peuvent ne présenter aucune variante préjudiciable évidente. Ces observations mettent en évidence les limites des approches diagnostiques actuelles et suggèrent que les troubles neuromusculaires héréditaires pourraient résulter d'interactions biologiques complexes et largement inconnues.

Par conséquent, 60 % des patients présentant des symptômes de maladie neuromusculaire ne reçoivent pas de diagnostic moléculaire précis et des traitements efficaces ne sont actuellement pas disponibles pour la plupart de ces maladies [6].

Ces dernières années, l’intelligence artificielle (IA), en particulier l’apprentissage automatique (ML), a atteint un niveau qui supporte son application dans les sciences de la vie, ouvrant la voie à des soins de santé personnalisés [7]. Les outils informatiques basés sur l'apprentissage automatique offrent une opportunité sans précédent d'élargir les connaissances médicales en fournissant de nouvelles informations sur les mécanismes pathogénétiques et de transmission des HNMD, en obtenant une caractérisation et un diagnostic cliniques précis, en soutenant des décisions cliniques précises et en améliorant le pronostic futur, qui est souvent difficile à prédire dans pratique clinique.

Le projet CoMPaSS-NMD vise à développer, appliquer et tester de nouveaux outils de ML pour la stratification des patients HNMD, avec les quatre objectifs généraux suivants :

1. Générez des ensembles de données robustes et fiables pour développer des outils informatiques basés sur des données validées.
2. Créez des solutions d'intégration de données cliniques pour la classification des phénotypes cliniques afin de soutenir les patients, les professionnels de la santé, la communauté scientifique et les individus potentiellement affectés par les HNMD.
3. Élaborer des lignes directrices fondées sur des données probantes pour améliorer la prise en charge des patients en fonction de la stratification phénotypique, améliorant ainsi la norme de soins actuelle pour les prestataires de soins de santé.
4. Créer une plateforme en ligne de collecte de données publiques, conforme aux principes FAIR (Trouvable, Accessible, Interopérable, Réutilisable) de l'Union européenne (UE), pour les patients atteints de maladies neuromusculaires, connue sous le nom d'ATLAS-NMD.

L'étude CoMPaSS traite à la fois les données préexistantes et les données nouvellement obtenues en deux parties : (i) une étude observationnelle rétrospective utilisant des données génétiques, histopathologiques et d'imagerie par résonance magnétique (IRM) collectées dans des centres de Grande-Bretagne (UNEW) et de France (CERBM) , Finlande (SFF) et Italie (FSM) ; et (ii) une étude prospective impliquant la collecte de données cliniques, génétiques, histopathologiques et IRM de 500 patients non diagnostiqués auparavant dans des centres de référence clinique en Italie (FSM, UNIMORE) et en Allemagne (LMUM).

Chaque participant à l'étude prospective subira :

• Un protocole d'évaluation clinique standardisé évaluant tous les districts musculaires, avec des données enregistrées dans un dossier clinique électronique (eCRF).
• IRM musculaire réalisée sur la base d'indications cliniques.
• Biopsie musculaire d'un muscle affecté, si cela est cliniquement indiqué.
• Analyse génomique de l'ADN extrait des lymphocytes du sang périphérique. La participation à l'étude ne sera accordée qu'après que le participant ou son représentant légal aura examiné la fiche d'information de l'étude, donné son consentement éclairé pour le traitement des données sensibles et de la confidentialité et signé le document de consentement.

L'étude utilise des outils informatiques de regroupement basés sur un traitement multidimensionnel non supervisé, qui utilise la structure interne des données pour définir des groupes similaires parmi les patients. Concernant la confidentialité des données, la minimisation des données et les droits d’accès aux données, l’étude suit une approche d’apprentissage fédéré. Cela garantit que les modèles de stratification et de classification peuvent être formés en collaboration par plusieurs entités tout en gardant les données décentralisées dans chaque centre clinique.

L'étude adhère à une méthodologie de co-conception centrée sur le patient, impliquant une forte participation des parties prenantes et une mise en réseau avec d'autres consortiums de projets, tout en respectant tous les principes de protection et de gestion des données.

Concernant les résultats attendus, l’étude vise à fournir aux chercheurs des solutions efficaces pour intégrer les données de santé et une classification plus précise des phénotypes cliniques. Sur la base de ces résultats, des lignes directrices fondées sur des données probantes seront élaborées en utilisant la stratification de traits cliniques distinctifs, offrant à terme une norme de soins supérieure pour le diagnostic et le pronostic des patients atteints de HNMD.

L'étude est financée par le programme-cadre européen « Horizon Europe » sous l'appel HORIZON-HLTH-2022-TOOL-12-two-stage.