Épilepsie : un modèle ouvre la voie à une pharmacothérapie personnalisée

  • Univadis
  • Clinical Summary
L'accès à l'intégralité du contenu de ce site est reservé uniquement aux professionnels de santé disposant d'un compte. L'accès à l'intégralité du contenu de ce site est reservé uniquement aux professionnels de santé disposant d'un compte.

À retenir

  • Un modèle d’apprentissage profond qui utilise des données cliniques recueillies de façon systématique a donné des résultats modérément satisfaisants pour prédire l’absence de convulsions à un an chez les adultes épileptiques ayant commencé à prendre leur premier médicament anticonvulsivant (MAC).

Pourquoi est-ce important ?

  • L’approche actuelle s’effectue en grande partie par tâtonnement.

Principaux résultats

  • Six modèles ont été développés à l’aide de diverses techniques d’apprentissage automatique.
  • Performance du modèle transformeur (entraîné à l’aide d’une cohorte combinée) pour prédire l’absence de convulsions à un an dans la population testée :
    • Aire sous la courbe (ASC) : 0,65 (intervalle de confiance [IC] à 95 % : 0,63–0,67).
    • Précision équilibrée pondérée : 0,62 (IC à 95 % : 0,60–0,64).
    • Sensibilité : 0,69 (IC à 95 % : 0,66–0,72).
    • Spécificité : 0,55 (IC à 95 % : 0,52–0,58).
  • Performance du modèle transformeur (entraîné en utilisant la plus grande cohorte uniquement), dans quatre populations de validation externe :
    • ASC : 0,52–0,60.
    • Précision équilibrée pondérée : 0,51–0,62.
  • Variables du modèle les plus importantes :
    • Plus de cinq crises convulsives avant le traitement.
    • Présence d’affections psychiatriques.
    • Constatations à l’électroencéphalogramme (EEG).
    • Constatations aux examens d’imagerie cérébrale.
  • Le modèle transformeur ayant été entraîné à l’aide de la cohorte combinée avait une meilleure ASC que deux des autres modèles.

Commentaire d’expert

  • Dans un éditorial, la Dre Sharon Chiang, PhD, et le Dr Vikram R. Rao, PhD, écrivent : « Bien que les performances actuelles semblent modestes, les résultats sont prometteurs, et l’amélioration des approches conventionnelles par tâtonnement pour la sélection du MAC par [l’intelligence artificielle] pourrait un jour contribuer à minimiser la morbidité liée aux convulsions en facilitant l’identification plus précoce des MAC les plus susceptibles de produire une absence de convulsions chez un individu donné. À ce titre, les modèles [d’apprentissage automatique] ouvrent la voie à une pharmacothérapie personnalisée pour l’épilepsie, un objectif inaccessible depuis des décennies. »

Méthodologie

  • Une étude de cohorte multinationale (écossaise, malaisienne, australienne et chinoise) a été menée auprès de 1 798 adultes atteints d’une épilepsie nouvellement diagnostiquée ayant commencé à prendre un premier MAC (7 MAC ont été utilisés au total dans la cohorte).
  • Critère d’évaluation principal : la performance du modèle pour prédire la réussite du traitement (absence totale de convulsions durant la prise du premier MAC en monothérapie pendant toute la première année).
  • Financement : non communiqué.

Limites

  • Le caractère généralisable des résultats à la population pédiatrique est inconnu.
  • Capacité limitée à effectuer des analyses par sous-groupes.