Une étude d’IA révèle que les modèles d’élocution des patients atteints de la maladie de Parkinson sont différents de ceux des patients en bonne santé
En utilisant l’intelligence artificielle (IA) pour traiter le langage naturel, un groupe de recherche a évalué les caractéristiques de la parole chez les patients atteints de la maladie de Parkinson (MP). L’analyse par IA de leurs données a déterminé que ces patients parlaient en utilisant plus de verbes et moins de noms et de charges. L’étude a été dirigée par le professeur Masahisa Katsuno et le Dr Katsunori Yokoi, de la faculté de médecine de l’université de Nagoya, en collaboration avec l’université préfectorale d’Aichi et l’université de technologie de Toyohashi. Ils ont publié leurs résultats dans la revue Parkinsonisme et troubles apparentés.
La technologie de traitement du langage naturel (NLP) est une branche de l’IA qui vise à permettre aux ordinateurs de comprendre et d’interpréter de grandes quantités de données de langage humain à l’aide de modèles statistiques pour identifier des modèles. Étant donné que les patients atteints de la maladie de Parkinson éprouvent une variété de problèmes liés à la parole, y compris une altération de la production de la parole et de l’utilisation du langage, le groupe a utilisé la PNL pour analyser les différences dans les modèles de parole des patients sur la base de 37 caractéristiques à l’aide de textes issus de conversations libres.
L’analyse a révélé que les patients atteints de MP utilisaient moins de noms communs, de noms propres et de mots de remplissage par phrase. D’autre part, ils parlaient en utilisant un pourcentage plus élevé de verbes et de variance pour les particules de cas (une caractéristique importante de la langue japonaise) par phrase.
Selon Yokoi, “Quand je leur ai demandé de parler de leur journée le matin, un patient parkinsonien pourrait dire quelque chose comme ceci, par exemple : ‘Je me suis réveillé à 4h50. Je pensais que c’était un peu tôt, mais Je me suis levé. Il m’a fallu environ une demi-heure pour aller aux toilettes, alors je me suis lavé et je me suis habillé vers 5 h 30. Mon mari a préparé le petit déjeuner. J’ai pris le petit déjeuner après 6 heures du matin. Ensuite, je me suis brossé les dents et je me suis préparé à partir. dehors.'”
Yokoi a poursuivi : “Alors que quelqu’un du groupe témoin en bonne santé pourrait dire quelque chose comme ceci : ‘Eh bien, le matin, je me suis réveillé à six heures, je me suis habillé et, oui, je me suis lavé le visage. Ensuite, j’ai nourri mon chat et chien. Ma fille a préparé un repas, mais je lui ai dit que je ne pouvais pas manger, et j’ai, euh, bu de l’eau.'”
“Bien que ce soient des exemples que nous avons créés de conversations reflétant les caractéristiques des personnes atteintes de MP et des personnes en bonne santé, ce que vous devriez voir, c’est que la durée totale est similaire”, a expliqué Yokoi. “Cependant, les patients atteints de MP prononcent des phrases plus courtes que les personnes du groupe témoin, ce qui entraîne plus de verbes dans l’analyse d’apprentissage automatique. Le contrôle sain utilise également plus de charges, telles que” bien “ou” umm “, pour relier les phrases. ”
L’aspect le plus prometteur de cette recherche est que l’équipe a réalisé l’expérience sur des patients qui ne présentaient pas encore le déclin cognitif caractéristique observé dans la MP. Par conséquent, leurs découvertes offrent un moyen potentiel de détection précoce pour distinguer les patients parkinsoniens.
“Nos résultats suggèrent que même en l’absence de déclin cognitif, les conversations des patients atteints de MP différaient de celles des sujets sains”, conclut le professeur Katsuno, responsable de l’étude. “Lorsque nous avons tenté d’identifier les patients atteints de MP ou les témoins sains sur la base de ces changements conversationnels, nous avons pu identifier les patients atteints de MP avec une précision de plus de 80 %. Ce résultat suggère la possibilité d’une analyse du langage utilisant le traitement du langage naturel pour diagnostiquer la MP.”
