Annonce

Les commentaires sont clos.

Analyse de données multimodales pour l'aide au diagnostic et à la thérapie des maladies mentales

28 Septembre 2021


Catégorie : Doctorant


Offre de thèse au Centre de Recherche en Automatique de Nancy en collaboration avec le Centre de Psychothérapie de Nancy et l'entreprise Bioserenity dans le cadre du plan de relance gouvernemental. Sujet: Analyse de données en vue de l’aide au diagnostic et à la thérapie des maladies mentales à partir de données hétérogènes que sont l’ERG, l’EEG de potentiels évoqués visuelles et l’ECG, ainsi que des données de types sociodémographiques, neurophysiologiques et neuropsychologiques.

 

Contexte

Le trouble dépressif majeur (TDM) est l'une des maladies mentales les plus graves. C'est un problème de santé publique commun, qui concerne plus de 300 millions de personnes dans le monde. C'est la principale cause d'incapacité avec un impact notable sur la qualité de vie, un risque de mortalité plus élevé et l'un des principaux facteurs de risque de suicide. Dans ce contexte, le diagnostic et le traitement du TDM sont très difficiles. En effet, il n'existe actuellement aucun outil objectif pour aider les praticiens dans le diagnostic - notamment dans le diagnostic différentiel ou dans la détection des idées suicidaires, ainsi que dans l'évaluation et la prédiction de la réponse aux traitements afin d'ajuster les thérapies individualisées et personnalisées pour le patient. Le diagnostic de TDM se fait actuellement par entretien médical, dans lequel le clinicien peut parfois être aidé par des échelles subjectives dépendantes de l'apport du patient. Dans le diagnostic différentiel - par exemple entre dépression unipolaire et bipolaire chez des sujets sains sans antécédents médicaux - un diagnostic erroné peut conduire à une thérapeutique inadéquate avec un impact sur le pronostic de la maladie. Il n'existe pas d'outils valides et fiables pouvant aider les praticiens du TDM dans le choix de l'antidépresseur et de sa dose efficace.

Positionnement

Parmi tous les marqueurs biologiques, les mesures électrophysiologiques rétiniennes et corticales représentent des mesures pertinentes d’estimation des états mentaux explorés dans le cadre de maladies mentales (MM). La rétine est actuellement considérée comme un site crucial et pertinent pour étudier indirectement la fonction cérébrale dans les troubles neuropsychiatriques, et en particulier des MM. La rétine offre l'opportunité unique d'étudier un réseau neuronal complexe facilement accessible faisant partie du système nerveux central, dans lequel chaque type de cellules rétiniennes affiche des propriétés spécifiques, donnant différentes informations sur les mécanismes physiopathologiques sous-jacents aux MM. La fonction rétinienne est évaluée par des techniques électrophysiologiques appelées électrorétinogramme (ERG). Les ERG enregistrent le biopotentiel électrique évoqué par les cellules rétiniennes en réponse à des stimulations visuelles lumineuses déterminées. Plusieurs anomalies ont été rapportées avec l'ERG plein champ (ffERG full field EletroRetinoGraphy) (stimulations flash) et pattern (PERG) (stimulations en damier) chez les patients souffrant de TDM, ce qui pourrait aider à confirmer le diagnostic et à évaluer la réponse au traitement. A l’aide de la ffERG, Hébert et. al. ont montré que les patients déprimés avaient des réponses rétiniennes qui diffèrent des témoins (évaluées par l'onde b dans des conditions photopiques et scotopiques et évaluées avec des intensités de flash progressives). Par ailleurs, les réponses rétiniennes diffèrent entre les patients déprimés sans traitements et les patients déprimés traités par pharmacothérapie (Hebert et. al., 2015).

L'analyse des données d'électroencéphalogramme (EEG) est un outil prometteur pour extraire des biomarqueurs objectifs dans le TDM, soit pour discriminer les patients atteints de TDM des témoins sains, soit pour la prédiction des résultats du traitement du TDM. La plupart des études traitent de l'analyse des activations de fréquence anormales ou des mesures de connectivité EEG telles que la cohérence. Plusieurs études basées sur des outils d'apprentissage automatique sont rapportées, visant à identifier des biomarqueurs MDD capables de prédire l'effet d'un médicament donné. Ces études rapportent des résultats très fiables en termes de précision, de sensibilité et de spécificité basés sur des outils d'apprentissage automatique standard.

Bioserenity est en cours de développement d’un dispositif médical de stimulation visuelle couplé à des enregistrements synchrones ERG et EEG evoqués. Le dispositif combine des réponses simultanées ERG et EEG (VEP) avec plusieurs types de stimulations (flash, damiers, hexagones à partir de flash, pattern et ERG multifocaux). Il permet des enregistrements simultanés de la fonction rétinienne et corticale et combine flash et pattern ERG et VEP. Les résultats antérieurs basés sur les mesures EEG et ERG chez les patients souffrant de maladies mentales ont montré qu'ils peuvent donner des indicateurs pertinents pour aider à la décision clinique à la fois dans le diagnostic et l'évaluation des réponses au traitement.

Objectifs

L'objectif majeur de ce travail est l’analyse de données en vue de l’aide au diagnostic et à la thérapie des maladies mentales à partir de données hétérogènes que sont l’ERG, l’EEG de potentiels évoqués visuelles et l’ECG ainsi que des données de types sociodémographiques, neurophysiologiques et neuropsychologiques.

Après avoir préparé les données issues des différentes bases de données citées ci-dessus, différents types d’algorithmes d’apprentissage seront à implémenter en intégrant dans le processus de traitement la prise en considération d’éventuelles données manquantes . Les outils classiques tels que les classifieurs de Bayes, les modèles cachés de Markov, ou encore les réseaux de neurones seront évalués. Dans ce contexte particulier où les données sont à la fois de nature quantitative (issues des séries temporelles ERG, ERG et ECG) et catégorielles (issues des enquêtes patients de type neurophysiologiques, neuropsychologiques), les méthodes d’analyse de données peuvent s’appuyer sur des modèles graphiques dirigés (réseaux bayésiens) ou non orientés (comme les réseaux de Markov). Le compromis réside entre la richesse des modèles disponibles, la dimension et la complexité d’apprentissage.

L'étude du pouvoir discriminant de chacune des caractéristiques telles que définies ci-dessus sera menée en regard des protocoles et des paramètres de stimulation précédemment évoqués. Des méthodes d'analyse de données et d'apprentissage automatique seront appliquées sur les bases de données recueillies tout au long de la durée de la thèse.


Mots clés: traitement du signal, potentiels évoqués, analyse de données, ERG/EEG/ECG, maladies mentales


Candidat

Profil recherché: Ingénieur ou master recherche spécialisé en science de l’information, traitement du signal, analyse de données - diplômé 2019 à 2021
Type d'emploi: Thèse – PhD 34 k€/an
Type de contrat: Volet 3 du plan de relance
Laboratoire: CRAN (site CHRU de Nancy)
Collaboration: Centre Psychothérapique de Nancy (CPN)
Industriel: Bioserenity
Date début de fonction: 01/11/2021
Information contact: valerie.louis@univ-lorraine.fr, steven.le-cam@univ-lorraine.fr

Dossier de candidature:

CV à jour
Notes de M1 et M2
Lettre de motivation
Lettre(s) de Recommandation