Une application pourrait signaler la maladie d’Alzheimer à partir de conversations téléphoniques

• Des tests bon marché, accessibles et fiables pour diagnostiquer la maladie d’Alzheimer à un stade précoce font actuellement défaut.
• Les personnes atteintes ont tendance à parler plus lentement et avec des pauses plus longues.
• Dans une étude récente, des chercheurs ont utilisé l’apprentissage automatique pour développer des modèles qui utilisent les caractéristiques acoustiques des conversations d’une personne pour identifier si elle peut être atteinte de la maladie d’Alzheimer précoce.
• Si d’autres tests s’avèrent concluants, les modèles pourraient aider à identifier les premiers stades de la maladie via une application pour smartphone ou en ligne.

La maladie d’Alzheimer implique une dégénérescence progressive des parties du cerveau qui régissent les pensées, la mémoire et le langage.

Les Centers for Disease Control and Prevention (CDC) rapportent qu’en 2020, jusqu’à 5,8 millions de personnes aux États-Unis vivaient avec la maladie.

La recherche suggère que le diagnostic précoce est important car il offre aux médecins la possibilité de commencer des interventions cliniques dès que possible pour gérer les symptômes de la personne.

Cependant, aucun outil peu coûteux, largement accessible et fiable n’est actuellement disponible pour diagnostiquer la maladie d’Alzheimer au stade préclinique.

Un indicateur diagnostique possible peut être que dans la conversation de tous les jours, les personnes atteintes de la maladie ont tendance à parler plus lentement, s’arrêtant alors qu’elles essaient de trouver les bons mots. En conséquence, leur discours peut manquer de fluidité par rapport aux personnes sans condition.

Des scientifiques de McCann Healthcare Worldwide, de l’Université médicale et dentaire de Tokyo, de l’Université Keio et de l’Université de Kyoto au Japon ont estimé qu’un modèle entièrement automatisé pourrait utiliser les caractéristiques acoustiques de la parole, telles que les pauses, la hauteur et l’intensité de la voix, pour prédire qui est susceptible de développer La maladie d’Alzheimer.

Ils ont utilisé l’apprentissage automatique pour créer des modèles qui, selon eux, pourraient éventuellement être aussi bons, voire meilleurs, qu’un test standard utilisé par les médecins pour diagnostiquer la maladie.

Les scientifiques ont rapporté leurs résultats dans PLOS ONE.

Algorithmes d’apprentissage automatique

L’équipe a utilisé trois algorithmes d’apprentissage automatique pour analyser les données vocales de 24 personnes atteintes de la maladie d’Alzheimer et de 99 personnes non atteintes, toutes âgées de 65 ans ou plus.

Les enregistrements audio provenaient d’un programme de santé publique à Hachioji qui impliquait des participants de parler au téléphone de changements de mode de vie pour réduire leur risque de démence.

Dans le cadre du programme, les participants ont également subi la version japonaise d’un test standard de fonctionnement cognitif appelé l’entrevue téléphonique pour le statut cognitif (TICS-J).

Pour la nouvelle étude, les scientifiques ont utilisé les caractéristiques vocales de certains des enregistrements audio pour entraîner les algorithmes d’apprentissage automatique à différencier les personnes atteintes de la maladie d’Alzheimer et les témoins.

Ils ont utilisé le reste des enregistrements pour évaluer les performances des modèles résultants.

L’un des modèles, qui était basé sur un algorithme appelé Extreme gradient boosting (XGBoost), fonctionnait mieux que TICS-J, bien que la différence entre les deux n’atteigne pas le seuil de signification statistique.

L’alimentation du modèle en plusieurs fichiers audio de chaque individu a amélioré la fiabilité de ses prédictions.

XGBoost et TICS-J avaient tous deux un score de sensibilité de 100 %, ce qui signifie qu’il n’y avait pas de faux négatifs – tous les participants identifiés par les tests comme n’ayant pas la maladie d’Alzheimer n’avaient pas la maladie.

XGBoost a également obtenu un score parfait pour la spécificité, ce qui signifie qu’il n’y a pas eu de faux positifs, et toutes les personnes qu’il a définies comme atteintes de la maladie d’Alzheimer étaient en effet des personnes atteintes de cette maladie. En comparaison, TICS-J n’a obtenu que 83,3%.

En d’autres termes, 16,7% des participants que TICS-J a jugés atteints de la maladie d’Alzheimer avaient en fait une bonne santé cognitive.

Les chercheurs affirment que les développeurs pourraient intégrer leur modèle dans des sites Web ou des applications mobiles, permettant au grand public d’y accéder par lui-même.

Ils pensent qu’un tel outil prédictif pourrait guider les personnes aux premiers stades de la maladie à rechercher une aide professionnelle.

Ils concluent :

« Notre réussite dans la prévision [Alzheimer’s disease] bien utiliser uniquement les caractéristiques vocales de la conversation quotidienne indique la possibilité de développer un outil de présélection pour [Alzheimer’s disease] parmi la population générale qui est plus accessible et à moindre coût.

“[W]Nous prévoyons maintenant d’effectuer à nouveau ce test avec un échantillon plus important dans le nouveau domaine d’ici la fin de cette année afin de valider davantage nos résultats », a déclaré l’auteur principal Akihiro Shimoda de McCann Healthcare Worldwide à Tokyo.

“McCann Health souhaite améliorer davantage cette méthode de dépistage diagnostique pour développer son propre service nommé ‘Dearphone’ visant à contribuer à la prévention et à la détection précoce de la démence”, a-t-il déclaré à Medical News Today.

Il a déclaré qu’à côté des applications et des plateformes en ligne, les développeurs pourraient intégrer leur modèle dans un service téléphonique conventionnel pour les personnes âgées qui n’utilisent pas de smartphone ou d’ordinateur.

“En fait, nous recherchons un partenaire qui peut collaborer avec nous pour développer et mettre en œuvre notre modèle dans la société”, a-t-il ajouté.

Limites de l’étude

L’une des principales limites de l’étude était qu’elle utilisait des données audio provenant de personnes ayant déjà reçu un diagnostic de maladie d’Alzheimer.

Pour confirmer que le modèle fonctionne, les chercheurs devraient le tester sur un échantillon plus large de la population générale, puis les suivre au fil du temps pour voir qui a développé la maladie.

Les auteurs notent d’autres limites de leur travail. Par exemple, l’étude n’a pas fait de distinction entre les personnes atteintes de la maladie d’Alzheimer et celles ayant une déficience cognitive légère, qui peuvent avoir des caractéristiques de parole différentes. De plus, la taille de l’échantillon était relativement petite.

Ils notent également qu’un futur modèle pourrait intégrer le contenu de la parole et la structure des phrases pour améliorer ses performances.