Une nouvelle analyse des données IRMf peut améliorer le traitement de la schizophrénie
Dans une nouvelle étude, des chercheurs de l'Université du Maryland, comté de Baltimore (UMBC) ont développé des outils pour améliorer l'analyse des données d'imagerie par résonance magnétique fonctionnelle (IRMf), et par conséquent sont désormais en mesure d'identifier des sous-groupes de patients schizophrènes.
Les nouvelles découvertes peuvent aider au diagnostic et au traitement des patients atteints de maladies mentales qui peuvent être difficiles à identifier et montrer aux médecins si les traitements actuels fonctionnent ou non en fonction de regroupements d'images.
L'étude est publiée dans la revue NeuroImage.
La méthode d'analyse d'image est appelée analyse vectorielle indépendante (IVA) pour l'extraction de sous-espace commun (CS). Grâce à cette méthode, les chercheurs ont pu catégoriser des sous-groupes de données IRMf en se basant uniquement sur l'activité cérébrale, prouvant qu'il existe un lien entre l'activité cérébrale et certaines maladies mentales. En particulier, ils ont pu identifier des sous-groupes de patients schizophrènes en analysant les données IRMf.
Auparavant, il n’existait pas de moyen clair de regrouper la schizophrénie chez les patients en se basant uniquement sur l’imagerie cérébrale, mais la nouvelle méthode démontre un lien significatif entre l’activité cérébrale d’un patient et ses diagnostics.
«La partie la plus intéressante est que nous avons découvert que les sous-groupes identifiés possèdent une signification clinique en examinant leurs symptômes diagnostiques», a déclaré Qunfang Long, titulaire d'un doctorat. candidat à l'UMBC en génie électrique. «Cette découverte nous a encouragés à consacrer plus d’efforts à l’étude des sous-types de patients atteints de schizophrénie à l’aide de données de neuroimagerie.»
Surtout, la méthode IVA-CS utilisée pour identifier ces sous-groupes préserve également des nuances dans les données, mais rend toujours des groupements statistiquement significatifs.
«Maintenant que les méthodes basées sur les données ont gagné en popularité, un grand défi a été de capturer la variabilité pour chaque sujet tout en effectuant simultanément des analyses sur des ensembles de données IRMf d'un grand nombre de sujets», a déclaré le Dr Tülay Adali, professeur d'informatique et de génie électrique et directeur du laboratoire d'apprentissage automatique pour le traitement du signal de l'UMBC.
«Nous pouvons désormais effectuer cette analyse de manière efficace et identifier des regroupements significatifs de sujets.»
Diagnostiquer et traiter la maladie mentale est extrêmement complexe. La même maladie se présentera différemment chez différents patients, et il n'y a souvent pas de traitement unique qui sera efficace pour tous les patients. Une fois qu'un traitement est en place, déterminer s'il réussit peut également varier selon le patient.
Cette recherche répond à la variabilité en donnant aux praticiens médicaux un moyen objectif d'analyser les résultats de l'IRMf pour des patients appartenant à des sous-groupes diagnostiques relativement similaires, puis de comparer les résultats d'IRMf au fil du temps pour le même patient.
Prenons l'exemple d'un patient schizophrène qui reçoit un traitement et revient dans six mois pour être à nouveau évalué. Si leurs données d'IRMf ressemblent davantage à celles du groupe témoin de patients en bonne santé mentale qu'à celles d'autres patients atteints de schizophrénie, c'est une preuve objective que le traitement fonctionne. À plus grande échelle, ces données fournissent un meilleur aperçu des résultats médicaux des patients à la suite du traitement.
Ensuite, l'équipe d'Adali travaillera avec des données longitudinales pour déterminer quels traitements fonctionnent le mieux pour des sous-groupes de patients atteints de maladies mentales spécifiques. Cette méthode sera également utilisée dans une étude longitudinale d'adolescents pour voir s'il existe des liens entre les images IRMf et les profils de dépendance et de consommation de substances de ces adolescents au fil du temps.
La recherche actuelle d’Adali et Long est menée avec un collaborateur de longue date, le Dr Vince Calhoun, au Centre tri-institutionnel de recherche translationnelle en neuroimagerie et science des données à Atlanta.
Source: Université du Maryland Comté de Baltimore
