Une étude publiée dans la revue médicale La Lancette évalué l'utilisation de l'apprentissage automatique et des données recueillies cliniquement (telles que les scores de dépistage cognitif et comportemental) pour classer et discriminer la FTD et la maladie d'Alzheimer (MA) dans les groupes sous-représentés.

Le diagnostic de la FTD et d'autres démences est compliqué, la FTD prenant en moyenne 3,6 ans à diagnostiquer. Comme le souligne l'étude, ceux qui recherchent un diagnostic dans les pays d'Amérique latine sont confrontés à des obstacles supplémentaires, tels que le manque de pratiques de diagnostic standardisées entre les pays et la diversité des divers instruments utilisés pour évaluer l'état cognitif. En outre, les technologies et méthodes efficaces en matière de diagnostic, telles que l’imagerie TEP amyloïde/tau ou les outils d’évaluation des biomarqueurs basés sur les fluides, sont moins accessibles aux praticiens d’Amérique latine.

Ces obstacles au diagnostic freinent également la recherche. Les différences dans la composition socioculturelle et génétique des pays et les niveaux variables d'expertise clinique en matière de DFT et de MA rendent difficile la collecte de données pouvant être généralisées et comparées à d'autres pays.

Pour surmonter les obstacles rencontrés par les praticiens d'Amérique latine, les auteurs de l'étude présentent un cadre informatique pour classifier la FTD et l'AD qui peut utiliser efficacement divers échantillons. Le cadre combine l'analyse statistique traditionnelle avec des modèles d'apprentissage automatique plus récents. En utilisant ce cadre, les auteurs ont identifié les caractéristiques les plus généralisables de la FTD et de la MA qui peuvent être utilisées pour faire la distinction entre les maladies et entre les personnes vivant ou non avec une forme de démence.

Les chercheurs ont recruté 1 792 participants dans 11 centres membres du Consortium multipartenaire pour étendre la recherche sur la démence en Amérique latine (trois en Argentine et en Colombie, deux au Chili et au Mexique et un au Pérou). Tous les participants ont reçu un diagnostic de FTD ou de MA suite aux procédures standard de chaque établissement.

Les auteurs ont constaté que Random Forest (RF), un modèle d’apprentissage automatique qui fonctionne bien avec des données complexes, était le plus efficace pour classer FTD et AD. Malgré la diversité démographique des participants et des échantillons qu'ils ont fournis, RF était toujours très efficace pour classer FTD et AD, les auteurs notant une efficacité de 93%.

En utilisant le modèle RF, les auteurs ont découvert que les données provenant des dépistages cognitifs, des tests de cognition sociale, des mesures du fonctionnement exécutif et des examens neuropsychiatriques montraient la plus grande capacité à classer la FTD et la MA. Pour la FTD en particulier, les mesures neuropsychiatriques et de cognition sociale se sont révélées les plus utiles pour classer la maladie.

L'apprentissage automatique est un outil de plus en plus prometteur pour diagnostiquer et rechercher la FTD. Cliquez ici pour en savoir plus sur une étude allemande qui a également évalué l'efficacité de l'apprentissage automatique dans la recherche FTD.