Les accidents vasculaires cérébraux sont fréquents et les lésions cérébrales qui en résultent peuvent entraîner divers troubles cognitifs. Les associations entre l’endroit et l’étendue des lésions cérébrales subies par un patient et les déficiences particulières causées par ces lésions (associations lésion-symptôme) offrent des perspectives potentiellement intéressantes sur la manière dont le cerveau met en œuvre la cognition. Une meilleure compréhension de ces associations peut également améliorer la prise en charge des accidents vasculaires cérébraux en nous aidant à prédire comment chaque patient peut se remettre des séquelles dues à l’AVC.
Le modèle Disconnectome Symptom Discoverer
Les travaux les plus récents dans ce domaine utilisent des modèles d’apprentissage automatique formés à partir de données provenant de patients ayant subi un AVC et dont les résultats à moyen et long terme sont connus.
Ces modèles d’apprentissage automatique sont testés en prédisant de nouveaux résultats – généralement des scores à des tests standardisés de déficience post-AVC – pour des patients dont les données n’ont pas été utilisées pour créer le modèle.
Traditionnellement, ces résultats de validation ont été partagés dans des publications évaluées par des pairs décrivant le modèle et sa formation.
Mais récemment, et pour la première fois dans ce domaine (à la connaissance des chercheurs), l’un de ces modèles pré-entraînés a été rendu public – le modèle Disconnectome Symptom Discoverer (DSD) qui tire ses prédicteurs des informations de déconnexion structurelle déduites de l’IRM cérébrale des patients victimes d’un AVC.
Test du modèle DSD
Dans cette étude, les chercheurs, dont Michel Thiébaut de Schotten, membre de notre Comité Exécutif, ont testé le modèle DSD sur des données totalement indépendantes, que les auteurs du modèle n’ont jamais vues avant de le publier. Plus précisément, les chercheurs ont testé si les performances prédictives du modèle DSD étaient aussi précises (c’est-à-dire pas significativement moins bonnes) que celles rapportées dans l’ensemble de données d’origine (Université de Washington), lorsqu’il s’agit de prédire les résultats de nouveaux patients à un moment similaire après l’AVC (environ 1 an après l’AVC) et également dans un autre échantillon indépendant testé plus tard (5 ans ou plus) après l’AVC.
Les résultats suggèrent que le modèle DSD se généralise hors échantillon à des patients que les auteurs du modèle n’ont pas vus avant de le publier.
Malgré certaines limites, les résultats de cette étude sont positifs car les chercheurs ont observé que le modèle DSD est à peu près aussi performant chez les patients de leur échantillon indépendant que dans les données des auteurs du modèle, malgré les différences existantes entre les deux ensembles de données. Le fait que cette équivalence s’estompe lorsqu’il s’agit de prédire les mêmes compétences plusieurs années après l’AVC souligne la nécessité de modéliser les changements dans les compétences linguistiques sur plusieurs années après l’AVC.
Selon les chercheurs, c’est la première fois qu’un modèle de pronostic post-ACV pré-entraîné est validé de cette manière et, en ce sens, le modèle DSD représente une avancée certaine dans ce domaine.
Publication scientifique
Thomas M H Hope, Douglas Neville, Lia Talozzi, Chris Foulon, Stephanie J Forkel, Michel Thiebaut de Schotten, Cathy J Price, Testing the disconnectome symptom discoverer model on out-of-sample post-stroke language outcomes, Brain, Volume 147, Issue 2, February 2024, Pages e11–e13, https://doi.org/10.1093/brain/awad352
Crédits photo : Photo de Bhautik Patel sur Unsplash
