In silico optimization of deep brain stimulation to enhance cognitive control: Improving performance and practicality with a continuous rolling arena

Pour certains patients souffrant de pathologies psychiatriques graves et résistantes aux traitements, le câblage même du cerveau semble coincé dans une boucle de détresse que les médicaments ne parviennent pas à briser. Dans ces cas, les médecins se tournent parfois vers une procédure appelée stimulation cérébrale profonde, où de minuscules électrodes sont placées profondément à l'intérieur du cerveau pour envoyer de douces impulsions électriques vers des zones spécifiques. L'une de ces cibles est une région située près du centre du cerveau, connue sous le nom de capsule ventrale et striatum ventral, qui joue un rôle dans la manière dont nous gérons nos pensées et nos émotions. Bien que cette thérapie soit très prometteuse, trouver les réglages appropriés de l'appareil a traditionnellement été un processus lent et frustrant. Les médecins doivent compter sur les patients pour décrire ce qu'ils ressentent après chaque ajustement, une méthode qui est subjective et peut prendre des semaines ou des mois pour être maîtrisée. Le défi central est que le cerveau est complexe, et les réglages qui fonctionnent le mieux ne sont pas évidents ; ils doivent être découverts grâce à des tests minutieux et répétés.

Une nouvelle étude explore un moyen d'accélérer ce processus de découverte en laissant le comportement même du cerveau guider les ajustements en temps réel. Au lieu d'attendre qu'un patient dise qu'il se sent mieux, les chercheurs ont proposé un système qui observe la rapidité et la précision avec lesquelles une personne réalise une tâche mentale pendant que la stimulation est active. Ils se sont concentrés sur une tâche de contrôle cognitif spécifique, un type d'exercice mental qui exige qu'une personne ignore les informations distrayantes pour se concentrer sur un objectif. L'idée était que si les impulsions électriques aidaient le cerveau, la personne accomplirait la tâche plus rapidement et avec moins d'erreurs. En mesurant directement ces temps de réaction, le système pouvait instantanément dire quels réglages d'électrodes fonctionnaient le mieux et lesquels ne fonctionnaient pas, sans avoir besoin de deviner ou d'attendre un rapport subjectif.

Pour tester cette idée, les chercheurs n'ont pas commencé par des patients humains, mais ont construit une simulation informatique détaillée d'un patient subissant cette thérapie. Ils ont créé un environnement virtuel où ils pouvaient lancer des milliers d'essais pour voir comment différents programmes informatiques géreraient la recherche des meilleurs réglages. Dans cette simulation, ils ont comparé leur nouvelle approche à d'anciennes méthodes qui tentaient de deviner l'état interne du cerveau à partir des données. La nouvelle méthode, qu'ils appellent « arène à roulement continu » (continuous rolling arena), saute l'étape du jeu de devinettes. Elle prend la vitesse brute de la réaction de la personne et l'injecte directement dans un algorithme adaptatif — un programme informatique intelligent conçu pour apprendre de l'expérience. Ce programme traite la recherche du meilleur contact d'électrode comme un jeu où il doit choisir la bonne porte à ouvrir, apprenant de chaque clic pour éviter les mauvaises portes et trouver la bonne aussi rapidement que possible.

Les résultats de ces simulations ont montré que cette approche directe était bien plus fiable que les anciennes méthodes plus complexes. Lorsque les chercheurs ont tenté d'estimer l'état caché du cerveau à partir des données, le système s'est retrouvé confus par le bruit naturel des mesures, ce qui a conduit à des erreurs de jugement. En supprimant cette étape intermédiaire et en ne regardant que les temps de réaction bruts, le système a évité d'amplifier ce bruit. Dans les simulations, ce changement a réduit le taux d'échec dans le choix des réglages d'électrodes corrects de près d'un tiers à environ un sur dix. De plus, en maintenant les tests de manière continue plutôt qu'en les réinitialisant chaque jour, le système a pu construire un historique plus solide de ce qui fonctionnait, permettant de se rétablir rapidement même si l'état du patient changeait de manière inattendue pendant une session.

L'étude a également abordé un problème pratique : la plupart des dispositifs possèdent de nombreux contacts d'électrodes, mais tester chacun d'eux un par un prendrait trop de temps. Les chercheurs ont introduit un mécanisme qui permet au système de concentrer sa recherche sur un groupe plus restreint de contacts à la fois, rétrécissant ainsi le champ de recherche sans perdre en précision. Dans leurs tests, cette approche a réussi à trouver les meilleurs réglages parmi huit contacts différents en ne testant activement qu'un groupe de quatre à tout moment. Cette mise à l'échelle a rendu le processus suffisamment efficace pour s'adapter aux limites du matériel médical réel. Les conclusions suggèrent qu'un système construit sur ces principes pourrait éventuellement permettre aux médecins de programmer ces dispositifs en une fraction du temps que cela prend actuellement, en utilisant des tâches comportementales standards plutôt que des équipements spécialisés et coûteux. Ce travail démontre qu'en écoutant directement les signaux de performance du cerveau et en supprimant les couches d'interprétation inutiles, il est possible de créer une voie plus robuste et pratique vers une thérapie cérébrale personnalisée.