Une approche d'apprentissage automatique pour concevoir un dépistage sélectif efficace de l'affaiblissement cognitif léger

Le vieillissement de la population augmente la prévalence des maladies chroniques et dégénératives, en particulier les démences dégénératives, qui devraient toucher plus de 131 millions de personnes dans le monde d’ici 2050¹. Parmi toutes les démences dégénératives, la maladie d’Alzheimer (MA) est la plus fréquente avec une prévalence globale en Europe de 6,88 %². En raison de l’indépendance toujours en déclin des patients atteints de la MA, ce groupe devrait commencer à recevoir du soutien dès que la MA commence à se manifester. Par conséquent, la détection tôt des signes prodromiques de l’AI, tels que l’affaiblissement cognitif doux (MCI), est essentielle.

MCI est défini comme un stade de déclin cognitif intermédiaire correspondant au vieillissement normal et à la détérioration grave due à la démence³. Selon les estimations de Petersen et coll.⁴, la prévalence de l’ICM est de 8,4 % chez les personnes âgées de 65 à 69 ans et atteint 25,2 % chez les personnes âgées de plus de 80 ans. L’ICM entraîne des difficultés plus grandes que prévu dans l’exécution des compétences cognitives de bas niveau, en particulier celles liées à la mémoire et au langage, mais n’interfère pas avec les activités de la vie quotidienne.

Le dépistage n’est pas synonyme de diagnostic; le diagnostic de MCI sera toujours une tâche clinique tandis que les méthodes de criblage peuvent seulement nous informer qu’un patient a une plus grande probabilité de souffrir de cette pathologie et qu’il y a un soupçon fondé de MCI qui devrait être confirmé médicalement. Ainsi, les travailleurs de la santé primaire (médecins, pharmaciens, infirmières, etc.) pourraient bénéficier de la disponibilité de méthodes de dépistage simples (tests cognitifs brefs) qui peuvent être appliquées en quelques minutes. Idéalement, ceux-ci identifieraient objectivement les patients présentant une forte probabilité de souffrir d’un MCI de sorte qu’ils puissent alors être médicalement examinés par des médecins généraux ou spécialisés.

Étant donné que la détection précoce de l’ICM devient une tâche essentielle dans le contexte de la santé publique, ce travail visait à identifier les caractéristiques qui sont utiles dans l’identification ciblée de l’ICM dans les tests de dépistage des populations âgées. Ces groupes seraient ensuite testés plus minutieusement pour l’ICM dans les tests administrés par les fournisseurs de soins de santé primaires. Cette méthodologie fournit à un arbre de décision les algorithmes appropriés pour identifier les groupes de population à cibler.

Parmi ces caractéristiques, l’âge est l’un des facteurs les plus constants associés au développement de cette pathologie. D’autres caractéristiques pertinentes sont liées à la démographie ou au mode de vie⁵. Parmi ces derniers, certaines études ont identifié la durée du sommeil diurne ou nocturne comme un facteur de risque qui peut conduire au diagnostic de MCI^5,6,7,8,9. La consommation prolongée de médicaments tels que les benzodiazépines, consommées par environ 20%-25% des personnes âgées^10,11, peut également influencer les heures de sommeil et le développement de MCI^12,13. En effet, les traitements prolongés pour les maladies chroniques peuvent être des caractéristiques importantes utiles dans la présélection des personnes présentant un risque élevé de souffrir de MCI.

Ici, nous avons développé des modèles basés sur des données qui utilisent des algorithmes d’apprentissage automatique, un arbre de décision et un outil prédictif pour augmenter l’efficacité de la méthodologie de détection de l’ICM en discriminant les caractéristiques qui jouent un rôle important au début détection de MCI. L’arbre de décision qui en a résulté présenté ici a été produit à l’aide d’une cohorte spécifique de patients espagnols utilisant des pharmacies communautaires. Cependant, cette méthode serait également utile parmi d’autres populations ayant des caractéristiques différentes.

Ce travail a été réalisé en collaboration avec des médecins de première santé et des médecins spécialisés. Les pharmacies communautaires étaient idéales pour tester cet algorithme parce qu’elles sont proches des patients, ont de longues heures d’ouverture et sont fréquemment visitées et consultées. Les démences dégénératives sont des affections complexes qui ne sont pas toujours bien comprises par les fournisseurs de soins de santé primaires¹⁴. Par conséquent, s’impliquer dans le processus permettra de sensibiliser les gens souffrant de MCI et les démences.