Article en bref
Les enquêteurs ont développé un algorithme qui utilise des données cliniques et génétiques pour aider à déterminer la réponse au traitement aux anticonvulsivants chez les patients atteints d’épilepsie nouvellement diagnostiquée.
Les chercheurs ont développé un modèle d’apprentissage en profondeur pour identifier le meilleur choix de médicaments anti-épileptiques pour les patients souffrant d’épilepsie, selon les résultats publiés en ligne le 29 août dans JAMA Neurologie.
Le modèle est peut-être la tentative la plus sophistiquée à ce jour d’appliquer l’intelligence artificielle au domaine délicat du choix des bons traitements pour ces patients, ont écrit les chercheurs. Alors que le modèle peut faire des recommandations qui ont mieux fonctionné que le hasard et qu’il a le potentiel d’être affiné, des experts non impliqués dans l’article, ainsi que les auteurs de l’étude, ont déclaré que la technologie n’était toujours pas prête pour une utilisation clinique.
Néanmoins, ils ont déclaré que le dernier modèle est un pas en avant significatif dans les efforts en cours pour améliorer un processus de prise de décision qui laisse souvent les patients avec des tentatives infructueuses sur leurs médicaments initiaux.
“Nous pensons que cela fera une énorme différence pour le patient et le clinicien”, a déclaré Patrick Kwan, MD, PhD, professeur de neurologie à l’Université Monash de Melbourne, en Australie. « Cela donnera au patient beaucoup plus de confiance dans la probabilité de savoir si un médicament fonctionnera ou non. Ensuite, ils peuvent organiser leur vie autour de cela.
Le modèle d’apprentissage en profondeur
Les chercheurs ont développé un modèle d’apprentissage en profondeur, un type d’apprentissage automatique, qui est “basé sur l’attention” et peut se concentrer sur certaines parties de l’entrée plus que d’autres, permettant d’observer des modèles plus subtils.
“Ce type de modèle peut mieux extraire les corrélations entre les variables latentes que d’autres modèles d’apprentissage en profondeur non basés sur l’attention”, a déclaré Zongyuan Ge, professeur agrégé au Monash eResearch Center et spécialiste de l’apprentissage en profondeur.
Étant donné que le modèle est plus efficace pour donner un sens aux entrées non étiquetées, il convient mieux à l’utilisation de rapports cliniques et d’informations sur la séquence de gènes, que les chercheurs intègrent dans le modèle.
Les chercheurs ont formé et validé le modèle en utilisant cinq cohortes de patients, tous atteints d’épilepsie nouvellement diagnostiquée : 1 065 patients de la Western Infirmary à Glasgow, en Écosse ; 242 du centre médical de l’Université de Malaya à Kuala Lumpur, Malaisie ; 191 au premier hôpital affilié de l’université médicale de Chongquing en Chine ; 189 au WA Adult Epilepsy Service à Perth, Australie ; et 111 au First Affiliated Hospital, Université Sun Yat-Sen, à Guangzhou, en Chine.
Le modèle a pris en compte la lamotrigine, le valproate, la carbamazépine, le lévétiracétam, l’oxcarbazépine, le topiramate et la phénytoïne. L’objectif du traitement était d’obtenir une absence complète de crises pendant au moins un an avec le premier médicament.
Les chercheurs ont introduit ces variables dans le modèle : sexe ; âge au début du traitement ; des traits de leur histoire, comme s’ils avaient subi des convulsions fébriles ou un traumatisme crânien important ; la présence d’une maladie cérébrovasculaire ou d’une déficience intellectuelle ; s’ils avaient eu cinq crises de moins ou cinq de plus ; si l’épilepsie était focale, généralisée ou non classée ; et trois catégories de résultats d’EEG et d’imagerie cérébrale (normaux, épileptiformes anormaux ou non épileptiformes anormaux).
Parmi les cohortes de validation, la sensibilité du modèle de transformateur pour prédire le succès variait de 0,41 à 0,61, et la spécificité variait de 0,55 à 0,66. L’aire moyenne sous la courbe caractéristique de fonctionnement du récepteur (AUROC) variait de 0,52 à 0,60. Le Dr Kwan a déclaré que l’objectif était que ce nombre atteigne la plage de 0,70 à 0,75.
“C’est ce que nous espérons”, a-t-il déclaré.
L’ajout d’informations génétiques et de données d’imagerie complètes, soit avec une description du langage, soit avec les images elles-mêmes, pourrait probablement aider à cela, a-t-il déclaré. La vision du modèle est que les informations peuvent être extraites du dossier médical électronique et qu’une recommandation est ensuite donnée au clinicien, a déclaré le Dr Kwan. Mais il a ajouté que le modèle ne tient pas compte actuellement de nombreuses nuances dans la façon dont les médicaments sont choisis, comme les interactions médicamenteuses ou les effets secondaires.
« À ce stade, nous ne suggérons pas que cela remplacera entièrement la prise de décision clinique », a-t-il déclaré, mais plutôt, ce serait un outil que les cliniciens pourraient utiliser avec d’autres considérations.
Mais l’approche pourrait être utile dans un processus qui laisse maintenant souvent aux médecins deux ou trois médicaments parmi lesquels choisir après avoir pris en compte des facteurs tels que le type de crise et les interactions médicamenteuses.
“Il essaie d’éviter le mauvais médicament plutôt que de trouver le bon médicament”, a déclaré le Dr Kwan.
Si le modèle peut être affiné, de meilleurs choix pour les premiers médicaments antiépileptiques pourraient signifier une meilleure qualité de vie pour les patients. Contrairement aux patients hypertendus, par exemple, qui peuvent voir leur tension artérielle chuter et savoir qu’un médicament fonctionne, les patients épileptiques sont obligés d’adopter une approche de «passage du temps» et d’espérer une absence de crises, a-t-il déclaré.
“Si nous avons une prédiction précise, cela fournira cette certitude, la probabilité de répondre ou de ne pas répondre”, a déclaré le Dr Kwan.
Si le modèle prédit qu’aucune des options pharmaceutiques ne fonctionnera probablement, alors les options non pharmacologiques, telles que la chirurgie, pourraient être envisagées plus tôt, a-t-il déclaré.
L’outil pourrait également aider les médecins de soins primaires dans leurs prescriptions, a-t-il dit, en particulier dans les zones rurales où l’accès aux neurologues peut être restreint.
Contribution d’experts indépendants
Andreas Alexopoulos, MD, MPH, médecin du personnel du Centre d’épilepsie de la Cleveland Clinic, a applaudi l’effort, mais a déclaré qu’il faudrait un certain temps avant toute possibilité d’utilisation clinique.
“Étant donné que cette étude est informée sur la base de données rétrospectives et de données diverses provenant de différents centres avec des populations variables et étant donné – comme le reconnaissent les auteurs – les performances modestes de l’algorithme, je ne pense pas que nous soyons prêts pour quelque chose qui est un changement de paradigme. ,” il a dit. « Il y a évidemment beaucoup d’enthousiasme dans la communauté de la recherche pour l’intelligence artificielle et l’analyse de mégadonnées pour aider à la prise de décision dans la pratique clinique. L’enthousiasme doit être tempéré par son applicabilité.
À l’avenir, la saisie de données sur la physiopathologie sera essentielle au succès de ce type de modèle, a-t-il déclaré.
“Il vaut la peine de montrer que cela est faisable et faisable et de continuer à améliorer et à informer ces modèles à mesure que les connaissances progressent”, a déclaré le Dr Alexopoulos.
Joyce Cramer, consultante en dispositifs pharmaceutiques et médicaux et chercheuse associée à la retraite à l’Université de Yale qui a étudié l’épilepsie, a déclaré qu’elle ne s’attend pas à ce que ce modèle fasse son chemin vers une utilisation clinique.
“J’ai vécu cela plusieurs fois au fil des ans”, a-t-elle déclaré. “Ils n’arrêtent pas de proposer une sorte d’algorithme, et ils sont sûrs que ce sera le cas. Il n’est jamais capté parce qu’ils ne fonctionnent vraiment pas mieux que l’instinct.
Malgré le grand nombre de recherches effectuées sur le traitement de l’épilepsie, peu de choses se sont concentrées sur l’orientation des choix cliniques. Il y a eu « énormément de données mais très peu de moyens de créer un algorithme de traitement définitif », a déclaré Cramer. Jusqu’à présent, la précision de ce modèle, à environ 60%, a-t-elle noté, n’est pas impressionnante.
“C’est très proche de 50/50,” dit-elle.
Son scepticisme à l’égard du modèle est basé, en partie, sur les contributions apportées jusqu’à présent. Par exemple, a-t-elle dit, les données sur les antécédents du patient ne permettraient probablement pas d’identifier le bon traitement.
“Que l’épilepsie d’une personne soit due à un accident vasculaire cérébral ou à un autre type de blessure à la tête, cela ne fera aucune différence dans la façon dont elle réagit aux médicaments”, a-t-elle déclaré.
Le véritable test serait une comparaison des recommandations de la machine par rapport à la propre décision du clinicien. “Si vous le comparez à un jugement humain non-machine, qu’est-ce qu’un bon neurologue proposerait dans cette situation par rapport à ce que la machine pourrait proposer?” dit Cramer.
Elle a également noté que les médicaments utilisés dans le modèle jusqu’à présent n’incluent pas les options les plus récentes. “Si vous incluiez certains autres médicaments, les nouveaux médicaments, cela ferait une différence”, a déclaré Cramer. “Mais ce sont tous des médicaments très standard.”
Divulgations
Le Dr Kwan a reçu des honoraires pour la consultation/conférencier d’Angelini, Eisai, LivaNova et UCB Pharma en dehors du travail soumis.
