Un modèle d'apprentissage profond pour la prédiction basée sur la parole des scores cliniques chez les personnes atteintes de la maladie de Huntington : une étude longitudinale avec réplication transversale.A deep learning model for speech-based prediction of clinical scores in people with Huntington's disease: a longitudinal study with cross-sectional replication.
- NDSNet prédit les scores cliniques UHDRS à partir de la parole avec une erreur relative de 11,4% dans la cohorte de développement.
- La concordance entre les scores moteurs prédits et observés (ICC 0,87) est comparable à celle des évaluations cliniques (ICC 0,847).
- Les prédictions montrent une association similaire aux scores observés avec l'atrophie striatale en IRM, et plus forte aux stades présymptomatiques (HD-ISS 0-1).
Outil innovant de prédiction clinique via la parole, validé longitudinalement avec réplication externe, mais portant sur une maladie spécifique peu fréquente en pratique neuropsychologique générale. L'article présente un intérêt modéré à élevé pour la veille en neurosciences cliniques.
L'étude se concentre uniquement sur la maladie de Huntington ; la généralisabilité à d'autres maladies neurodégénératives n'est pas démontrée. Les cohortes sont relativement modestes (191 patients en développement, 110 en réplication) et proviennent principalement de centres français. L'erreur relative de 15% en réplication indique une marge d'amélioration possible, surtout pour une utilisation individuelle. La qualité des enregistrements vocaux et les conditions d'enregistrement (bruit, matériel) n'ont pas été systématiquement contrôlées. Aucune comparaison directe avec d'autres méthodes de prédiction (p. ex., basées sur l'imagerie seule) n'a été réalisée.
Cette étude présente NDSNet, un modèle d'apprentissage profond qui utilise des enregistrements vocaux pour estimer les scores cliniques (UHDRS) chez les personnes atteintes de la maladie de Huntington, des stades présymptomatiques (HD-ISS 0-1) aux stades symptomatiques (2-3). Le modèle combine wav2vec 2.0 pré-entraîné et un réseau récurrent attentif. Développé et validé sur plusieurs cohortes (n=191 patients, 58 contrôles, puis réplication n=110), il montre une erreur relative de 11,4% et une forte corrélation avec les scores observés (ICC 0,87 pour les scores moteurs). Les prédictions sont associées à l'atrophie striatale en IRM, notamment aux stades précoces. NDSNet pourrait constituer un outil non invasif et automatisé pour le suivi longitudinal, complémentaire aux évaluations cliniques standard.
NDSNet prédit les scores cliniques UHDRS à partir de la parole avec une erreur relative de 11,4% dans la cohorte de développement. La concordance entre les scores moteurs prédits et observés (ICC 0,87) est comparable à celle des évaluations cliniques (ICC 0,847). Les prédictions montrent une association similaire aux scores observés avec l'atrophie striatale en IRM, et plus forte aux stades présymptomatiques (HD-ISS 0-1). Les performances sont confirmées en réplication externe avec une erreur relative de 15% et un ICC de 0,67. Le modèle utilise un apprentissage contrastif combinant wav2vec 2.0 pré-entraîné et un réseau récurrent attentif.
La parole peut servir de biomarqueur non invasif pour le suivi de la progression de la maladie de Huntington, applicable dès les stades présymptomatiques. NDSNet offre une mesure objective et automatisée, réduisant la charge d'évaluation pour les cliniciens et permettant un suivi à distance. L'outil pourrait faciliter la détection précoce de changements cliniques subtils, avant que les symptômes ne soient évidents. Il pourrait être utilisé dans les essais cliniques comme critère de jugement secondaire ou pour le suivi de l'efficacité thérapeutique.
Élevé