Un nouveau modèle développé au MIT peut aider à prédire si les patients à risque de maladie d'Alzheimer subiront un déclin cognitif cliniquement significatif en raison de la maladie, en prédisant leurs résultats aux tests de cognition jusqu'à deux ans dans le futur.

Le modèle pourrait être utilisé pour améliorer la sélection des médicaments candidats et des cohortes de participants pour les essais cliniques, qui ont été notoirement infructueuses jusqu'à présent. Cela permettrait également aux patients de savoir qu'ils pourraient connaître un déclin cognitif rapide dans les mois et les années à venir, afin qu'eux et leurs proches puissent se préparer.

Au cours des deux dernières décennies, les entreprises pharmaceutiques ont injecté des centaines de milliards de dollars dans la recherche sur la maladie d'Alzheimer. Pourtant, le domaine a été en proie à l'échec :entre 1998 et 2017, il y a eu 146 tentatives infructueuses de développer des médicaments pour traiter ou prévenir la maladie, selon un rapport de 2018 de Pharmaceutical Research and Manufacturers of America. À l'époque, seuls quatre nouveaux médicaments ont été approuvés, et seulement pour traiter les symptômes. Plus de 90 candidats médicaments sont actuellement en développement.

Des études suggèrent qu'un plus grand succès dans la mise sur le marché des médicaments pourrait se résumer au recrutement de candidats qui sont aux premiers stades de la maladie, avant que les symptômes ne soient évidents, c'est à ce moment que le traitement est le plus efficace. Dans un article qui sera présenté la semaine prochaine à la conférence Machine Learning for Health Care, Les chercheurs du MIT Media Lab décrivent un modèle d'apprentissage automatique qui peut aider les cliniciens à se concentrer sur cette cohorte spécifique de participants.

Ils ont d'abord formé un modèle de "population" sur un ensemble de données complet qui comprenait des scores de tests cognitifs cliniquement significatifs et d'autres données biométriques de patients atteints de la maladie d'Alzheimer, et aussi des individus en bonne santé, recueillies entre les visites semestrielles du médecin. A partir des données, le modèle apprend des modèles qui peuvent aider à prédire comment les patients obtiendront des tests cognitifs effectués entre les visites. Chez les nouveaux participants, un deuxième modèle, personnalisé pour chaque patient, met à jour en permanence les prévisions de score en fonction des données nouvellement enregistrées, telles que les informations recueillies lors des visites les plus récentes.

Les expériences indiquent que des prédictions précises peuvent être faites à l'avenir six, 12, 18, et 24 mois. Les cliniciens pourraient ainsi utiliser le modèle pour aider à sélectionner les participants à risque pour les essais cliniques, qui sont susceptibles de présenter un déclin cognitif rapide, peut-être même avant que d'autres symptômes cliniques n'apparaissent. Le traitement précoce de ces patients peut aider les cliniciens à mieux identifier les médicaments antidémence qui fonctionnent et ceux qui ne fonctionnent pas.

« La prédiction précise du déclin cognitif de six à 24 mois est essentielle à la conception d'essais cliniques, " dit Oggi Rudovic, un chercheur du Media Lab. "Être capable de prédire avec précision les futurs changements cognitifs peut réduire le nombre de visites que le participant doit effectuer, ce qui peut être coûteux et chronophage. En plus d'aider à développer un médicament utile, l'objectif est d'aider à réduire les coûts des essais cliniques pour les rendre plus abordables et réalisés à plus grande échelle. »

Rejoindre Rudovic sur le papier sont :Yuria Utsumi, un étudiant de premier cycle, et Kelly Peterson, un étudiant diplômé, tous deux au Département de génie électrique et d'informatique; Ricardo Guerrero et Daniel Rueckert, tous deux de l'Imperial College de Londres; et Rosalind Picard, professeur d'arts et sciences médiatiques et directeur de la recherche en informatique affective au Media Lab.

Population à personnaliser

Pour leur travail, les chercheurs ont exploité le plus grand ensemble de données d'essais cliniques sur la maladie d'Alzheimer au monde, appelé Initiative de neuroimagerie de la maladie d'Alzheimer (ADNI). L'ensemble de données contient des données d'environ 1, 700 participants, avec et sans Alzheimer, enregistrés lors des visites médicales semestrielles sur 10 ans.

Les données incluent leurs scores AD Assessment Scale-cognition sous-scale (ADAS-Cog13), la métrique cognitive la plus largement utilisée pour les essais cliniques de médicaments contre la maladie d'Alzheimer. Le test évalue la mémoire, Langue, et orientation sur une échelle de gravité croissante jusqu'à 85 points. L'ensemble de données comprend également des examens IRM, informations démographiques et génétiques, et les mesures du liquide céphalo-rachidien.

Dans tout, les chercheurs ont formé et testé leur modèle sur une sous-cohorte de 100 participants, qui a effectué plus de 10 visites et avait moins de 85 % de données manquantes, chacun avec plus de 600 fonctionnalités calculables. Parmi ces participants, 48 ont reçu un diagnostic de maladie d'Alzheimer. Mais les données sont rares, avec différentes combinaisons de caractéristiques manquantes pour la plupart des participants.

Pour y remédier, les chercheurs ont utilisé les données pour former un modèle de population alimenté par un cadre de probabilité « non paramétrique », appelés processus gaussiens (GPs), qui a des paramètres flexibles pour s'adapter à diverses distributions de probabilité et pour traiter les incertitudes dans les données. Cette technique mesure les similitudes entre les variables, tels que les points de données des patients, pour prédire une valeur pour un point de données invisible, tel qu'un score cognitif. La sortie contient également une estimation de la certitude de la prédiction. Le modèle fonctionne de manière robuste même lors de l'analyse d'ensembles de données avec des valeurs manquantes ou beaucoup de bruit provenant de différents formats de collecte de données.

Mais, en évaluant le modèle sur les nouveaux patients d'une partie des participants retenus, les chercheurs ont découvert que les prédictions du modèle n'étaient pas aussi précises qu'elles pourraient l'être. Donc, ils ont personnalisé le modèle de population pour chaque nouveau patient. Le système comblerait ensuite progressivement les lacunes dans les données à chaque nouvelle visite de patient et mettrait à jour la prédiction du score ADAS-Cog13 en conséquence, en mettant continuellement à jour les distributions jusqu'alors inconnues des GP. Après environ quatre visites, les modèles personnalisés ont considérablement réduit le taux d'erreur dans les prédictions. Il a également surpassé diverses approches traditionnelles d'apprentissage automatique utilisées pour les données cliniques.

Apprendre à apprendre

Mais les chercheurs ont découvert que les résultats des modèles personnalisés étaient encore sous-optimaux. Pour y remédier, ils ont inventé un nouveau schéma de "métaapprentissage" qui apprend à choisir automatiquement quel type de modèle, population ou personnalisé, fonctionne mieux pour n'importe quel participant à un moment donné, en fonction des données analysées. Le métaapprentissage a déjà été utilisé pour des tâches de vision par ordinateur et de traduction automatique afin d'acquérir de nouvelles compétences ou de s'adapter rapidement à de nouveaux environnements avec quelques exemples de formation. Mais c'est la première fois qu'il est appliqué au suivi du déclin cognitif des patients atteints d'Alzheimer, où les données limitées sont un défi majeur, dit Rudovic.

Le schéma simule essentiellement les performances des différents modèles sur une tâche donnée, comme la prédiction d'un score ADAS-Cog13, et apprend le meilleur ajustement. A chaque visite d'un nouveau patient, le schéma attribue le modèle approprié, sur la base des données précédentes. Avec des patients bruyants, données éparses lors des premières visites, par exemple, les modèles de population font des prédictions plus précises. Lorsque les patients commencent avec plus de données ou en collectent plus lors de visites ultérieures, cependant, les modèles personnalisés fonctionnent mieux.

Cela a permis de réduire le taux d'erreur pour les prédictions de 50 % supplémentaires. "Nous n'avons pas pu trouver un seul modèle ou une combinaison fixe de modèles qui pourrait nous donner la meilleure prédiction, " dit Rudovic. " Alors, nous voulions apprendre à apprendre avec ce schéma de métaapprentissage. C'est comme un modèle au-dessus d'un modèle qui agit comme un sélecteur, formés à l'aide de métaconnaissances pour décider quel modèle est le mieux à déployer.

Prochain, les chercheurs espèrent s'associer à des sociétés pharmaceutiques pour mettre en œuvre le modèle dans des essais cliniques réels sur la maladie d'Alzheimer. Rudovic dit que le modèle peut également être généralisé pour prédire diverses métriques pour la maladie d'Alzheimer et d'autres maladies.

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.