À l'intérieur de la boîte noire : libérer le potentiel du big data dans les maladies neurodégénératives

Big data (mégadonnées), intelligence artificielle et apprentissage automatique offrent d'énormes possibilités pour la collecte et l'assimilation d'informations médicales à grande échelle. Dans une conférence principale lors du 11e congrès CTAD, le Professeur Cristina Sampaio a décrit la façon dont le machine learning est actuellement utilisé pour la résolution de problèmes dans les maladies neurodégénératives.

 

Dans la maladie d'Alzheimer, un algorithme de machine learning peut aider à identifier les patients atteints de maladie d'Alzheimer prodromique dans la population générale, favorisant leur orientation en temps opportun pour évaluation et traitement.

Comprendre comment fonctionne le machine learning est la clé pour maximiser le potentiel du big data et de machine learning dans les maladies neurodégénératives, a déclaré le Professeur Cristina Sampaio de la CHDI Foundation de Princeton aux États-Unis, dans sa conférence principale lors du 11e congrès CTAD.

Les organismes de réglementation sont actuellement prudents concernant la valeur probante des technologies de big data et de machine learning. Par conséquent, il est important de gagner la confiance des organismes de réglementation afin de favoriser l'acceptation du big data, a indiqué le Professeur Sampaio. L'approche « boîte noire » - ne pas comprendre le mécanisme, pourquoi et comment les résultats sont générés - doit être minimisée. L'utilisation de données de bonne qualité analysées à l'aide du machine learning pourrait être un tremplin pour établir cette confiance, a-t-elle ajouté.

Le big data est associé à de grands ensembles de données non structurées. La plupart des analyses de recherche clinique reposent sur des bases de données médicales structurées classiques. Actuellement et à court terme, les chercheurs utilisent principalement des bases de données structurées, c.-à-d. des données de qualité, pour déployer les technologies d''intelligence artificielle et de machine learning.

Pour un article détaillé sur le big data, lisez l'article du Lundbeck Institute Campus : Big Data in Healthcare (le big data dans le domaine de la santé)

Le machine learning est peut-être mieux appliqué dans 3 domaines de la résolution de problèmes :

·         Classification : offrir la meilleure affectation possible d'un ensemble d'observations à un ensemble d'étiquettes représentant les catégories

·         Regroupement : où l'accent est mis sur l'identification des sous-groupes

·         Régression : identification des effets d'une caractéristique sur la variable de réponse, avec un fort accent mis sur la prédiction.

Le domaine où le machine learning excelle actuellement est la prédiction de l'avenir, a déclaré le Professeur Sampaio. Un bon exemple de l'emploi de machine learning pour la prédiction est donné par le modèle de progression et de stadification IBM-CHDI pour la maladie de Huntington.

Le modèle de progression et de stadification IBM-CHDI est une approche axée sur les données totalement intégrée pour un problème qui est habituellement traité par des méthodes reposant sur un consensus d'experts. Son succès pourrait changer le paradigme de la façon dont les systèmes de stadification de la maladie seront développés à l'avenir.

Le machine learning excelle actuellement dans la prédiction de l'avenir

Où se trouvent les mégadonnées dans la maladie d'Alzheimer ?

Dans la maladie d'Alzheimer, il existe de nombreuses bases de données du réseau national et international, y compris Alzheimer’s disease Neuroimaging Initiative (ADNI), Real world Outcomes across the Alzheimer’s Disease spectrum for better care: Multi-modal data Access Platform (ROADMAP), Global Alzheimer’s association interactive network (GAAIN), la base de données du National Alzheimer’s disease Coordinating Center (NACC), et plus de 400 essais cliniques menés depuis 2000.

Un algorithme de machine learning peut aider à identifier les patients atteints de maladie d'Alzheimer prodromique dans la population générale

Dans une communication orale au CTAD 2018, Chatiyana Alamuri  de l'IQVIA Analytics Center of Excellence a décrit un algorithme de machine learning qui permet d'identifier les patients atteints de maladie d'Alzheimer prodromique dans la population générale.4 En utilisant les données d'une cohorte initiale de 405 millions de sujets, les chercheurs ont identifié plus de 660 000 sujets ayant des antécédents familiaux de maladie d'Alzheimer, ainsi que des caractéristiques telles que les procédures diagnostiques, les interventions médicales, les pathologies concomitantes et d'autres caractéristiques qui différenciaient les personnes atteintes de la maladie d'Alzheimer des sujets témoins. L'algorithme prédictif de machine learning développé pourrait permettre un diagnostic plus fiable et plus précoce de la maladie d'Alzheimer prodromique au niveau des soins de santé primaires, avec une orientation en temps opportun pour une inclusion dans des études cliniques ainsi qu'une évaluation et un traitement plus précoces.

Contenu rédigé par un correspondant de H. Lundbeck

Références
  1. Jack CR Jr et al. Alzheimers Dement. 2018;14:535-62.
  2. Ross CA et al. Nat Rev Neurol. 2014;10:204-16.
  3. Wilson H et al. Front Neurol. 2017 Jan 30;8:11. doi: 10.3389/fneur.2017.00011.
  4. Uspenskaya-Cadoz O. et al. CTAD October 24-27 2018; Abstract OC17.
Vous êtes en train de quitter Progress in Mind
Accès médecin obligatoire
Pour avoir accès, merci de nous fournir la preuve que vous êtes un professionnel de santé
Hello
Please confirm your email
We have just sent you an email, with a confirmation link.
Before you can gain full access - you need to confirm your email.
The information on this site is exclusively intented for health care professionals.
All the information included in the Website is related to products of the local market and, therefore, directed to health professionals legally authorized to prescribe or dispense medications with professional practice. The technical information of the drugs is provided merely informative, being the responsibility of the professionals authorized to prescribe drugs and decide, in each concrete case, the most appropriate treatment to the needs of the patient.
Congress
Register for access to Progress in Mind in your country