Présentation

L'hétérogénéité des mécanismes de lésions, des niveaux neurologiques et des facteurs individuels de la maladie fait de la prédiction de la récupération l'une des tâches les plus difficiles en médecine de réadaptation. La prédiction précise des résultats est essentielle pour fixer des objectifs réalistes de la maladie, orienter l'intensité thérapeutique, affecter les ressources en soins de santé et concevoir des essais cliniques. Au cours de la dernière décennie, la modélisation computationnelle est apparue comme un puissant complément au jugement clinique, offrant des données qui peuvent compléter et parfois dépasser les méthodes pronostiques traditionnelles.

Ces modèles utilisent diverses sources de données et de données mdash, allant des examens neurologiques initiaux et de l'imagerie par résonance magnétique (IRM) aux enregistrements électrophysiologiques et aux mesures des résultats rapportées par le patient, pour construire des trajectoires de récupération individualisées.En intégrant ces données dans un cadre mathématique ou algorithmique structuré, les modèles computationnels peuvent identifier des modèles subtils qui pourraient échapper même aux cliniciens expérimentés.

Pourquoi les modèles informatiques comptent-ils dans la réadaptation des SCI?

Pour y parvenir, il faut adapter les interventions à chaque personne et à chaque potentiel unique, ce qui est difficile sans une prévision fiable de l'évolution de leur état neurologique et fonctionnel. La prédiction traditionnelle des résultats repose sur les règles cliniques du pouce et du mdash; par exemple, la présence d'un esparc sacré dans la phase aiguë est un signe pronostique positif.

Les modèles de calcul permettent de combler cette lacune en synthétisant simultanément plusieurs variables. Ils peuvent générer des énoncés probabilistes comme “Patient A a une probabilité de 70 % d'obtenir une marche indépendante de 12 mois et plus; plutôt qu'un oui/non binaire. Cette production probabiliste soutient la prise de décisions partagées entre les cliniciens et les patients. De plus, les modèles peuvent être mis à jour à mesure que de nouvelles données deviennent disponibles, ce qui permet une prévision dynamique qui s'adapte à l'évolution de la situation clinique du patient et des personnes.

Une revue systématique publiée en Nature Reviews Neurologie[ a révélé que les modèles d'apprentissage automatique surpassaient la régression logistique conventionnelle pour prédire la récupération motrice après SCI, la surface sous la courbe (AUC) étant généralement supérieure à 0,85 (lien: nature.com/articles/s41582-022-00654-z. Cette preuve souligne la valeur clinique que les modèles de calcul peuvent ajouter lorsqu'ils sont correctement développés et validés.

Types de modèles de calcul pour la prévision des résultats de l'ICS

Plusieurs approches de modélisation distinctes ont été appliquées à la réadaptation des ISC, chacune ayant des forces et des limites uniques. Le choix du modèle dépend de la nature des données, du résultat à prévoir et du cas d'utilisation clinique prévu.

Modèles d'apprentissage automatique

Les algorithmes d'apprentissage automatique (ML) sont la catégorie la plus étudiée dans la recherche sur la prévision des SCI. Ces modèles apprennent des modèles à partir de données historiques sans être programmés explicitement avec des règles de domaine.

  • Modèles de régression supervisés (p. ex. régression linéaire, régression vectorielle de soutien, régression aléatoire de la forêt) pour des résultats continus tels que la mesure de l'indépendance de la moelle épinière (SMIC) ou la vitesse de marche.
  • Modèles de classification (p. ex. régression logistique, machines vectorielles de soutien, arbres à gradient) pour des résultats catégoriques comme la question de savoir si un patient reprendra ou non l'ambulation.
  • Architectures d'apprentissage profond[, y compris les réseaux neuronaux de flux, les réseaux neuronaux convolutionnels (RNC) pour les données d'imagerie et les réseaux neuronaux récurrents (RNN) pour les données longitudinales.

L'une des études marquantes dans ce domaine a été la mise au point de l'outil de prévision et de calcul des SCI, qui a utilisé des modèles forestiers aléatoires formés sur les données du Centre national de statistique des lésions de la moelle épinière (CNSIC) pour prédire la récupération motrice d'un an. L'outil a démontré une précision d'environ 78 % lorsqu'il a été validé sur une cohorte externe (lien : pmc.ncbi.nlm.nih.gov/articles/PMC7543961). De même, une étude menée en 2023 par des chercheurs de l'Université de Californie a utilisé une machine de stimulation du gradient pour prédire l'indépendance fonctionnelle après la réadaptation des patients, obtenant un score F1 de 0,81 pour la classification complète des blessures par rapport à celle des blessures incomplètes.

Ingénierie et sélection des fonctions

Dans la prédiction de l'ICS, les variables clés comprennent généralement : l'âge, le sexe, les scores moteurs et sensoriels de base (p. ex., les Normes internationales pour la classification neurologique des lésions et des lésions de la moelle épinière; l'ISNCSCCI), la longueur et l'emplacement des lésions sur l'IRM, la présence d'oedèmes ou d'hémorragies de la moelle épinière, le temps écoulé entre les lésions et la chirurgie, et les mesures de la fonction cardiovasculaire et respiratoire.

Réseau neuronal et modèles basés sur la connectivité

Une classe distincte de modèles computationnels se concentre sur la simulation de la plasticité intrinsèque et la réorganisation des circuits neuraux après blessure. Ces modèles s'appuient souvent sur des principes de neurosciences computationnelles et représentent la moelle épinière comme un réseau de neurones excitateurs et inhibiteurs interconnectés.

Par exemple, modèles de connectivité structurelle[ utilisent l'imagerie par tenseur de diffusion (DTI) pour cartographier l'intégrité des voies de matière blanche rostral et caudale à la lésion. En quantifiant l'anisotropie fractionnelle spécifique au tube (FA) et la diffusion moyenne, ces modèles peuvent prédire la probabilité de la repousse axonale ou du reroutage fonctionnel. modèles de connectivité fonctionnelle[, dérivés de l'état de repos fMRI ou EEG, capturent les interactions dynamiques entre les centres moteurs corticaux et subcorticaux. Une étude 2021 dans Brain a démontré qu'un réseau neuronal récurrent formé sur les profils de cohérence de l'EEG pourrait prédire la récupération des extrémités supérieures avec une précision de 82 %, dépassant les seules variables cliniques conventionnelles (lien: academic.oup.com/brain/article/144/7/2117/6273481[[

Les modèles de plasticité dépendante du temps de pointe simulent le renforcement ou l'affaiblissement des synapses en fonction du moment où les pics pré et post-synaptiques sont mis en place. Ces modèles sont particulièrement pertinents pour comprendre les stratégies de réadaptation dépendantes de l'activité, comme l'entraînement locomoteur avec stimulation épidurale.

Modèles biomécaniques

La réhabilitation après SCI implique le recyclage du système moteur pour exécuter des mouvements coordonnés sous un entraînement neuronal altéré. Les modèles biomécaniques capturent les contraintes physiques et mécaniques du système musculosquelettique et peuvent simuler l'effet de la faiblesse musculaire, de la spasticité, ou des contractions articulaires sur la marche ou l'atteinte.

L'analyse des éléments finis (AFE) de la colonne vertébrale et de la moelle épinière a été utilisée pour modéliser l'environnement mécanique aigu au site de la lésion. En intégrant les propriétés matérielles du tissu neural et des vertèbres environnantes, la FEA peut prédire le degré de dommages primaires par rapport aux dommages secondaires, ce qui permet d'établir le pronostic. Par exemple, une étude de 2020 a modélisé l'effet du compromis sur la distribution du stress de la moelle épinière et a trouvé une forte corrélation entre le stress de pointe de von Mises et le changement de score moteur d'une année (lien : sciencedirect.com/science/article/pii/S0021929020301682.

Du côté de la réadaptation, simulations musculosquelettiques multicorps (p. ex. OpenSim) permettent aux chercheurs d'estimer les forces musculaires, les moments articulaires et le coût métabolique pendant la marche, même lorsque la mesure directe est invraisemblable. En modifiant les modèles d'activation neuronale dans la simulation pour imiter l'effet de la spasticité ou de la faiblesse, les cliniciens peuvent prédire si un appareil d'assistance donné (p. ex. une orthèse de cheville) améliorera l'efficacité de la démarche.

Défis à relever dans l'élaboration et la validation de modèles prédictifs

Malgré des progrès substantiels, plusieurs défis critiques doivent être surmontés avant que les modèles de calcul ne deviennent des outils de routine dans la réhabilitation des SCI.

Hétérogénie des données et normalisation

Les données sur les résultats des ISC sont notoirement hétérogènes, et la gravité des blessures va des contusions légères aux translections complètes, et les populations de patients varient grandement en fonction de l'âge, de l'étiologie (traumatique par rapport aux non-traumatiques) et des comorbidités. De plus, les protocoles de réadaptation diffèrent d'un établissement à l'autre, ce qui rend difficile l'analyse de la synthèse.

Données manquantes et petits échantillons

Les études longitudinales prospectives dans le SCI sont coûteuses et souffrent souvent d'attrition.Les données manquantes de suivi, en particulier à des moments ultérieurs, peuvent biaiser la formation et l'évaluation des modèles.Les approches traditionnelles telles que la suppression par liste ou l'imputation moyenne sont peu optimales; des méthodes plus sophistiquées comme l'imputation multiple ou la maximisation des attentes sont sous-utilisées dans ce domaine. De plus, le nombre total de patients du SCI disponibles pour la recherche est relativement faible (environ 18 000 nouveaux cas par an aux États-Unis), ce qui limite la complexité des modèles pouvant être formés de façon fiable.

Modèle d'interprétation

Les cliniciens hésitent naturellement à donner suite aux recommandations du modèle a “black box”, surtout lorsque les décisions ont des implications profondes pour les soins aux patients. De nombreux algorithmes à haut rendement, comme les méthodes d'ensemble et les réseaux neuronaux profonds, offrent une compréhension limitée des raisons pour lesquelles une prédiction particulière a été faite. Les techniques d'interprétation post-hoc – y compris SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-Anonymizations) et les parcelles &ndash de dépendance partielle peuvent apporter une certaine transparence.

Validation et Generalisabilité

De nombreux modèles publiés sont développés et testés sur le même ensemble de données ou sur une cohorte monocentrique, ce qui entraîne un biais d'optimisme et une mauvaise validité externe. La validation croisée au sein d'un ensemble de données ne garantit pas le rendement d'une population de patients, d'un milieu de réadaptation ou d'un système de soins de santé différent. La norme aurifère pour la validation est une étude prospective multisite où les prédictions du modèle et des résultats sont comparés aux résultats observés en temps réel. De telles études sont coûteuses et exigeantes sur le plan logistique. De plus, les modèles doivent être réajustés si la population de patients ou les protocoles de traitement changent au fil du temps, un phénomène connu sous le nom de « “dataset shift.” Les quelques modèles validés à l'extérieur qui existent (p. ex. le “ Predicting Recovery of Walking” nomo from the European Multicenter Study about Spinal Cord Bless) ont montré une baisse de l'ASC de 0,05–0,10 par rapport à la performance interne

Intégration dans le flux de travail clinique

Même un modèle parfaitement précis est inutile s'il ne peut être intégré dans les routines cliniques quotidiennes. De nombreux modèles actuels exigent l'entrée manuelle de dizaines de variables, ce qui prend du temps pour les cliniciens occupés. Ils peuvent également ne pas être compatibles avec les systèmes de dossiers de santé électroniques (DSE) utilisés dans les hôpitaux de réadaptation. Pour être utiles, un modèle doit être intégré dans le DSE de sorte que les intrants sont automatiquement peuplés à partir de domaines structurés et les extrants apparaissent au point de soins.

Orientations futures : vers des approches dynamiques, multimodales et numériques jumelées

Plusieurs tendances émergentes promettent d'améliorer considérablement la précision, l'utilité et l'adoption de modèles de calcul dans la réhabilitation des SCI.

Intégration des données multimodales

Les modèles actuels utilisent généralement un ensemble limité de variables cliniques et d'imagerie. L'avenir consiste à combiner des données provenant de multiples modalités : génétique, protéomique, capteurs portables, neuroimagerie et dossiers de santé électroniques.Par exemple, le séquençage d'ARN monocellulaires des tissus de la moelle épinière endommagés pourrait identifier des signatures d'expression génétique associées au potentiel régénératif. Une étude 2024 dans Cell a montré que des profils microARN spécifiques dans le fluide céphalo-rachidien prédisaient la récupération du moteur avec une précision de 89 % dans une petite cohorte. L'intégration de telles données moléculaires avec des modèles biomécaniques et de connectivité pourrait donner une résolution prédictive sans précédent.

Jumelles numériques pour la réadaptation personnalisée

Dans le contexte de l'ICS, un jumeau numérique intégrerait une anatomie spécifique du patient (de l'IRM), une connectivité neuronale (de la DTI/IRMf), des propriétés musculaires (d'échographie ou de l'EMG) et des profils d'activité quotidienne (d'accéléromètres portables). Le jumeau pourrait simuler l'effet de différents régimes thérapeutiques, comme des doses variables de formation locomoteur ou de calendrier des interventions pharmacologiques, et recommander un calendrier optimal qui maximise la récupération prévue tout en minimisant la fatigue et les coûts.

Les premiers prototypes de tels systèmes existent pour la réhabilitation des accidents vasculaires cérébraux, mais leur adaptation au SCI présente des défis supplémentaires en raison de la déconnexion brutale des voies motrices descendantes et de l'interaction complexe entre la spasticité, la dysréflexie autonome et l'intestin/la vésicule neurogène. Néanmoins, des chercheurs du Centre suisse des paraplégiques développent une plateforme numérique jumelle pour les lésions de la moelle épinière qui intègre les données de capteurs en temps réel provenant de tapis de course instrumentés avec un moteur de simulation neuronale (lien : pubmed.ncbi.nlm.nih.gov/37852222.

Algorithmes d'apprentissage adaptatifs et renforcés

En réalité, la récupération est un processus dynamique, et la thérapie optimale devrait s'adapter à mesure que le patient s'améliore ou se plateau. L'apprentissage du renforcement (RL) offre un cadre dans lequel un algorithme apprend une politique de sélection des actions (p. ex., type, intensité et calendrier de la thérapie) pour maximiser une récompense cumulative (p. ex., gain fonctionnel d'un an). La RL a été utilisée avec succès dans d'autres domaines comme la robotique personnalisée pour la réadaptation des membres supérieurs des membres du groupe des AVC. Une petite étude de faisabilité qui applique la RL pour ajuster la difficulté d'un programme de marche assisté par exosquelette chez des patients incomplets de SCI a indiqué que les utilisateurs de RL ont atteint 22 % de plus par session qu'un groupe de progression fixe.

Les défis à relever pour la RL comprennent la définition de l'espace d'état (ce que les facteurs de patient à inclure), la gestion des récompenses différées (l'avantage de la thérapie actuelle et des traitements par les patients ne sont peut-être pas évidents pendant des semaines) et la sécurité (l'algorithme ne doit pas choisir les actions qui pourraient causer des dommages).

Réseaux collaboratifs et partage de données

Pour surmonter les petits échantillons, il est essentiel de mettre en place des initiatives de partage de données à grande échelle en collaboration, comme la base de données internationale sur les lésions de la moelle épinière (ISCoI), l'Étude multicentrique européenne sur les lésions de la moelle épinière (EMSCI) et le Réseau nord-américain d'essais cliniques (NACTN) ont mis en commun des milliers de dossiers de patients. Cependant, la gouvernance des données, les règlements sur la protection de la vie privée (p. ex., l'HIPAA, le RGPD) et les obstacles institutionnels entravent souvent le partage. L'apprentissage fédéré offre une solution prometteuse : des modèles sont formés sur plusieurs sites sans données brutes qui quittent chaque établissement; seules les mises à jour des paramètres sont partagées.

Conclusion

La modélisation computationnelle est positionnée pour devenir la pierre angulaire de la réadaptation de précision pour les lésions de la moelle épinière. En synthétisant les données cliniques, imagerie et neurophysiologiques dans des cadres algorithmiques sophistiqués, ces modèles peuvent fournir des prédictions de résultats probabilistes individualisées qui permettent aux cliniciens et aux patients de prendre des décisions éclairées.

Néanmoins, des obstacles importants subsistent. La normalisation des données, le manque de données, l'interprétation et la validation externe exigent une attention rigoureuse de la part de la communauté de la recherche. La voie de l'adoption clinique exige non seulement un perfectionnement technique, mais aussi une intégration transparente avec les flux de travail cliniques et la clarté réglementaire.

Ces outils ne remplacent pas le jugement du clinicien ou le toucher humain si vital en réadaptation; ils l'ajoutent plutôt, offrant une boussole axée sur les données pour naviguer dans le paysage incertain de la récupération après une lésion de la moelle épinière. Avec la collaboration continue entre ingénieurs, cliniciens et scientifiques, les modèles informatiques transformeront la réadaptation de l'ICS d'un art en une pratique améliorée par la science, ce qui permettra d'améliorer les résultats fonctionnels et la qualité de vie de milliers de personnes dans le monde entier.