Distinguer le tremblement de repos parkinsonien des mouvements volontaires de la main grâce à l'activité sous-thalamique et corticale

Sciences de l'information Intelligence artificielle Neurologie Biophysique Imagerie médicale Sciences de la vie Médecine
Maladie de Parkinson tremblement de repos mouvements volontaires de la main activité cérébrale noyau sous-thalamique apprentissage automatique

Dans les signaux de contrôle traditionnels de la DBS, les recherches se sont principalement concentrées sur l’activité de la bande bêta du noyau sous-thalamique (Gilron et al., 2021). Cependant, avec l’avancement des études, les scientifiques ont réalisé que les tremblements ne sont pas seulement déterminés par l’activité du noyau sous-thalamique, mais impliquent un réseau cortico-voies plus étendu. Par conséquent, l’étude des signaux cérébraux des tremblements parkinsoniens pourrait révéler des informations plus précieuses, améliorant ainsi l’efficacité thérapeutique de l’aDBS. Cette étude vise à différencier les tremblements au repos et les mouvements autonomes des mains chez les patients atteints de la maladie de Parkinson en analysant l’activité électroencéphalographique dans divers états moteurs.

Sources de la recherche

Cet article a été rédigé par Dmitrii Todorov, Alfons Schnitzler et Jan Hirschmann, et al., représentant l’Institute of Clinical Neuroscience and Medical Psychology et le Department of Neurology de l’Université Heinrich Heine à Düsseldorf, en Allemagne, ainsi que le Centre de Recherche en Neurosciences de Lyon - Inserm U1028 en France et le Centre de Recerca Matemàtica en Espagne. Les résultats de cette recherche ont été publiés dans la revue Clinical Neurophysiology (accepté le 31 octobre 2023, Volume 157, 2024).

Processus de recherche

Sujets d’étude et acquisition de données

Cette étude a ré-analysé des données précédemment collectées, provenant de l’électroencéphalographie magnétique (MEG) et des potentiels de champ local (LFP) du noyau sous-thalamique (STN) de six patients atteints de la maladie de Parkinson. Ces patients avaient subi une implantation DBS la veille du test, tous diagnostiqués PD idiopathique. L’étude a été réalisée après une interruption des médicaments dopaminergiques (med off) et après la prise de médicaments (med on) pour évaluer les différences d’activité électroencéphalographique dans divers états.

Enregistrement des données

Les données ont été enregistrées le lendemain de l’intervention chirurgicale, en quatre phases : période de repos, tâche 1, période de repos et tâche 2. La tâche 1 consistait en une extension de l’avant-bras au repos, et la tâche 2 en une contraction rythmique du poing. Chaque période d’enregistrement durait cinq minutes, et tous les mouvements étaient exécutés par le côté du corps présentant les symptômes les plus prononcés. Les enregistrements comprenaient les LFP du noyau sous-thalamique, les MEG et les électromyogrammes (EMG) de l’avant-bras, avec une fréquence d’échantillonnage de 2000 Hz.

Traitement des données et extraction des caractéristiques

Pour traiter les données plus efficacement, les MEG et LFP ont été rééchantillonnés à 256 Hz. L’équipe de recherche a appliqué plusieurs étapes de prétraitement pour assurer la qualité des données, incluant la détection des artéfacts MEG, la séparation spatio-temporelle des signaux et la détection des artéfacts LFP. En termes d’extraction des caractéristiques, l’équipe a utilisé des fenêtres de temps non chevauchantes de 1 seconde pour calculer la variance à court terme, une mesure appelée l’activité de Hjorth. Cette méthode présente l’avantage d’éviter un ajustement excessif tout en facilitant la comparaison des caractéristiques des différentes régions cérébrales.

Modèle d’apprentissage automatique

Pour distinguer les quatre états moteurs différents (repos, tremblements, poing fermé et extension de l’avant-bras), l’équipe de recherche a appliqué l’algorithme XGBoost basé sur l’apprentissage d’arbres de décision à gradient et a utilisé une validation croisée à 5 plis pour la classification. Pour équilibrer les quantités de données des différents états, ils ont utilisé la précision équilibrée comme mesure de performance du modèle et ont recouru au suréchantillonnage pour compenser le déséquilibre des données.

Localisation des électrodes et optimisation des hyperparamètres

L’équipe de recherche a utilisé le package logiciel Lead-DBS pour reconstruire la position des électrodes DBS afin d’améliorer la précision de la localisation des électrodes. Pour améliorer les performances du modèle, ils ont optimisé les hyperparamètres de l’algorithme XGBoost, incluant la sélection des meilleurs canaux LFP et l’ajustement des paramètres du modèle.

Résultats principaux

Analyse des données d’un seul noyau

La performance de la classification basée uniquement sur les données LFP du noyau sous-thalamique était faible, avec seulement 62 % de précision pour l’état de repos et des taux de précision de 32 %, 34 % et 23 % pour les états de tremblement, de poing fermé et d’extension de l’avant-bras, respectivement. Ces résultats médiocres indiquent que l’activité du noyau sous-thalamique à elle seule ne peut pas différencier précisément les états moteurs.

Analyse combinée noyau-cortex

Lorsque les caractéristiques de l’activité du noyau sous-thalamique et du cortex ont été combinées pour la classification, les performances du modèle se sont améliorées de manière significative, avec des taux de précision pour les états de repos, de tremblement, de poing fermé et d’extension de l’avant-bras atteignant respectivement 74 %, 58 %, 80 % et 81 %. Cela montre que l’inclusion des signaux corticaux a considérablement amélioré la performance de la classification, en particulier les données de la région corticale sensorimotrice.

Impact de l’état dopaminergique sur la performance de la classification

Les résultats ont également montré que les différents états médicamenteux dopaminergiques avaient peu d’effet sur la performance de la classification, fournissant un support théorique favorable pour l’application pratique.

Conclusions et implications de la recherche

Cette étude a révélé que la combinaison des signaux du noyau sous-thalamique et du cortex permettait de distinguer significativement les tremblements au repos et les mouvements autonomes chez les patients atteints de la maladie de Parkinson, apportant ainsi un soutien important au développement de systèmes de stimulation cérébrale profonde adaptative (aDBS) plus précis. Plus précisément :

  1. Valeur scientifique: Une compréhension plus complète des mécanismes neuronaux des tremblements et des mouvements autonomes pourrait optimiser davantage les traitements de la maladie de Parkinson, réduisant ainsi la stimulation DBS inutile et ses effets secondaires.

  2. Valeur applicative: Les résultats de la recherche établissent une base pour le développement de systèmes DBS plus intelligents, tels que des systèmes de surveillance en temps réel des activités corticales et du noyau sous-thalamique.

  3. Points innovants: Cette étude a non seulement combiné les signaux corticaux et du noyau sous-thalamique, mais a également utilisé des algorithmes avancés d’apprentissage automatique pour la classification, améliorant considérablement la précision de la distinction des différents états moteurs de la maladie de Parkinson.

Points forts de l’étude

  • Amélioration significative des performances de classification: L’inclusion des signaux corticaux a considérablement amélioré les performances de classification, en particulier dans la région corticale sensorimotrice.
  • Potentiel d’application de l’aDBS: L’association des signaux corticaux et du noyau sous-thalamique, avec la surveillance des états moteurs en temps réel à l’aide de l’apprentissage automatique, pourrait être utilisée pour développer des systèmes d’aDBS plus précis.
  • Faible impact des états médicamenteux: Les résultats indiquent que les différents états médicamenteux dopaminergiques ont peu d’effet sur les performances de la classification, augmentant la faisabilité de cette méthode pour une application clinique pratique.

Autres informations de valeur

L’étude a également montré que la combinaison des signaux de régions cérébrales plus étendues pourrait encore améliorer les performances de classification, bien que la région corticale sensorimotrice contribue le plus. Les recherches futures pourraient optimiser davantage l’extraction des signaux et les modèles d’apprentissage automatique pour améliorer la précision et la robustesse de la classification en temps réel. De plus, dans le cadre des applications pratiques, il serait intéressant d’explorer comment intégrer et appliquer ces résultats de recherche dans des environnements cliniques, notamment en utilisant de nouveaux systèmes DBS implantables pour la surveillance en temps réel des signaux cérébraux et l’ajustement de la stimulation.

Grâce à cette recherche, les scientifiques ont proposé de nouvelles perspectives et méthodes pour développer des plans de traitement de la maladie de Parkinson plus intelligents. Les recherches futures, en combinant des données d’échantillons plus vastes et des algorithmes plus avancés, pourraient faire des progrès significatifs dans le diagnostic précoce et le traitement personnalisé.