Doc-Forest : un nouvel outil pour le diagnostic des états de conscience

Un outil pour déterminer efficacement l’état de conscience d’un patient ou d'une patiente

Les troubles de la conscience sont souvent difficiles à diagnostiquer et peuvent nécessiter le recours à des examens complémentaires de neuro-imagerie fonctionnelle. S’il existe deux états de conscience après une période transitoire de coma, à savoir l’état "végétatif", dans lequel le patient ou la patiente n’est pas conscient.e, et l’état de conscience minimale qui correspond à un certain degré de conscience, la distinction entre ces deux états a des implications majeures en termes de prise en charge médicale.
Or le diagnostic de ces états est très difficile à effectuer uniquement sur examen clinique.
Plusieurs outils ont été développés ces dernières années mais sont réservés à quelques centres experts.

L’étude propose et valide un outil diagnostic EEG basé sur des données cliniques de l’Hôpital Pitié-Salpêtrière AP-HP à Paris. Pour cela, Denis Engemann (Inria Saclay – Île-de-France / CEA NeuroSpin), Federico Raimondo (Université de Buenos Aires/Sorbonne Université) et Jacobo Sitt, chercheur Inserm au sein de l’Institut du cerveau et de la moelle épinière (CNRS/Inserm/Sorbonne Université) ont compilé des biomarqueurs EEG de la conscience avec différentes modalités de capteurs et d’enregistrements EEG, et les ont combinés grâce à un algorithme de machine learning pour développer un outil diagnostic.

 

Nous mettons en évidence le fait que le modèle multivarié, combinant plusieurs caractéristiques, est particulièrement robuste lorsque différentes configurations EEG sont utilisées pour entraîner le dispositif grâce au machine learning , et si les informations diagnostiques ou les données sont perturbées par du "bruit".

précise Denis Engemann.

Une méthode fiable, simple et accessible

DoC-Forest (DoC pour Disorder of Consciousness et Forest du nom de l’algorithme utilisé) pourrait changer la donne et fournir pour la première fois une évaluation simple, performante, économique et accessible au plus grand nombre.

Dans son ensemble, cette étude valide la solidité et la fiabilité de cette technique EEG pour le diagnostic des troubles de la conscience. Grâce à cet outil, le diagnostic du niveau de conscience pourra se faire à partir d’une faible quantité de données extraite d’un simple EEG.

Des études complémentaires auront pour objectif d’étendre ces résultats au pronostic des troubles de la conscience afin de prédire non pas l’état actuel mais l’évolution attendue, ainsi qu’à d’autres états de conscience. Elles permettront également d’optimiser les résultats du machine learning grâce à des jeux de données plus importants et de développer de meilleurs algorithmes de machine learning .

• Retrouvez l’étude publiée dans la revue Brain
• Retrouvez l’outil DoC Forest  ici

Abstract

Determining the state of consciousness in patients with disorders of consciousness is a challenging practical and theoretical problem. Recent findings suggest that multiple markers of brain activity extracted from the EEG may index the state of consciousness in the human brain. Furthermore, machine learning has been found to optimize their capacity to discriminate different states of consciousness in clinical practice. However, it is unknown how dependable these EEG markers are in the face of signal variability because of different EEG configurations, EEG protocols and subpopulations from different centres encountered in practice. In this study we analysed 327 recordings of patients with disorders of consciousness (148 unresponsive wakefulness syndrome and 179 minimally conscious state) and 66 healthy controls obtained in two independent research centres (Paris Pitié-Salpêtrière and Liège). We first show that a non-parametric classifier based on ensembles of decision trees provides robust out-of-sample performance on unseen data with a predictive area under the curve (AUC) of ~0.77 that was only marginally affected when using alternative EEG configurations (different numbers and positions of sensors, numbers of epochs, average AUC = 0.750 ± 0.014). In a second step, we observed that classifiers based on multiple as well as single EEG features generalize to recordings obtained from different patient cohorts, EEG protocols and different centres. However, the multivariate model always performed best with a predictive AUC of 0.73 for generalization from Paris 1 to Paris 2 datasets, and an AUC of 0.78 from Paris to Liège datasets. Using simulations, we subsequently demonstrate that multivariate pattern classification has a decisive performance advantage over univariate classification as the stability of EEG features decreases, as different EEG configurations are used for feature-extraction or as noise is added. Moreover, we show that the generalization performance from Paris to Liège remains stable even if up to 20% of the diagnostic labels are randomly flipped. Finally, consistent with recent literature, analysis of the learned decision rules of our classifier suggested that markers related to dynamic fluctuations in theta and alpha frequency bands carried independent information and were most influential. Our findings demonstrate that EEG markers of consciousness can be reliably, economically and automatically identified with machine learning in various clinical and acquisition contexts.