Cognition and Electrophysiology Clustering in Clinical High Risk for Psychosis Delineates Distinct Dimensions of Heterogeneity: Implications for Multimodal Clustering

En utilisant des données de la cohorte NAPLS, cette étude montre que le regroupement multimodal (cognition et électrophysiologie) des patients à haut risque clinique de psychose révèle une hétérogénéité modeste et suggère que, sans prise en compte du développement, une telle approche pourrait masquer des sous-types significatifs.

L'essentiel

🧠 Le Grand Puzzle : Pourquoi les "Risques de Psychose" ne se ressemblent pas tous

Imaginez que la psychose (comme la schizophrénie) est un immense puzzle. Les chercheurs savent que les personnes qui sont à un "stade à haut risque" (elles ont des symptômes légers mais ne sont pas encore malades) forment un groupe très hétérogène. C'est comme un sac rempli de pièces de puzzle de couleurs et de formes différentes.

L'objectif de cette étude était de trier ce sac pour voir si l'on pouvait trouver des groupes distincts (des "sous-types") parmi ces jeunes, en utilisant deux types d'outils :

1. Le cerveau qui pense (Cognition) : Des tests de mémoire, d'attention et de logique.
2. Le cerveau qui "écoute" (Électrophysiologie) : Des capteurs sur le crâne (EEG) qui mesurent les signaux électriques du cerveau en temps réel, comme une caméra qui filme l'activité neuronale.

🔍 L'Expérience : Mélanger les ingrédients

Les chercheurs ont pris des données de plus de 1 400 jeunes (deux grands groupes, NAPLS-2 et NAPLS-3) et ont essayé de les classer automatiquement en utilisant l'intelligence artificielle (un algorithme de "clustering").

L'idée reçue : "Si on mélange tout (pensées + signaux électriques), on obtiendra une photo plus claire et plus précise des différents groupes." C'est comme si l'on pensait que mélanger la farine et le sucre donnerait un gâteau meilleur que de les étudier séparément.

La Réalité (La Surprise) :
Le résultat a été décevant. Quand ils ont mélangé les deux types de données, les groupes ne se séparaient pas très bien. C'était comme essayer de trier des billes de couleurs mélangées à des billes de tailles différentes : l'algorithme avait du mal à faire des tas nets. Les groupes étaient flous, "brouillés".

🎭 Ce qu'ils ont trouvé (Les deux groupes)

Même si la séparation n'était pas parfaite, ils ont pu identifier deux tendances principales :

1. Le Groupe 1 (Le "Système en surchauffe") :

   • Cognition : Ces jeunes avaient plus de difficultés à penser, à se souvenir et à se concentrer.
   • Signaux électriques : Paradoxalement, leur cerveau affichait des signaux électriques très forts (de grandes ondes).
   • Analogie : Imaginez un moteur de voiture qui tourne à 10 000 tours/minute (bruit fort, signaux électriques élevés) mais qui avance très lentement en première vitesse (cognition lente). Le cerveau est "bruyant" et suractivé, mais il est inefficace. Il gaspille de l'énergie.
   • Autres signes : Ils ont eu des symptômes plus tôt dans leur vie et ont plus de mal à fonctionner socialement.

2. Le Groupe 2 (Le "Système plus calme") :

   • Cognition : Ils pensaient mieux et plus vite.
   • Signaux électriques : Leurs signaux électriques étaient plus faibles (plus "normaux" par rapport au groupe 1).
   • Analogie : Un moteur qui tourne doucement et efficacement, permettant à la voiture d'avancer fluidement.

💡 La Leçon Importante : Le Timing est tout

C'est ici que l'étude devient fascinante. Pourquoi le mélange a-t-il échoué à bien séparer les groupes ?

Les chercheurs proposent une explication basée sur le temps (le développement) :

• La Cognition (la pensée) est comme une fondation de maison. Elle se construit très tôt, dès l'enfance, et reste assez stable. C'est un marqueur de "vulnérabilité" à long terme.
• L'Électrophysiologie (les signaux) est comme la peinture ou la décoration intérieure. Elle change plus vite, réagit à la maladie qui commence, et évolue avec l'âge et le stress.

L'analogie du "Mélange de fruits" :
Si vous essayez de trier des fruits en mélangeant leur poids (qui change peu) et leur couleur (qui change vite selon la saison), vous obtiendrez un tas confus.

• Chez les jeunes à risque, la "pierre angulaire" (la cognition) est déjà posée depuis longtemps.
• La "peinture" (les signaux électriques) commence juste à changer.
• En les mélangeant, on confond une caractéristique ancienne (la fondation) avec une caractéristique récente (la décoration), ce qui brouille les pistes.

🏁 Conclusion : Comment mieux aider ?

Cette étude nous dit qu'il ne faut pas tout mélanger bêtement. Pour comprendre la psychose et aider les jeunes :

1. Il faut regarder les choses à la bonne échelle de temps.
2. La cognition nous dit qui est à risque depuis longtemps.
3. Les signaux électriques nous disent comment la maladie évolue maintenant.

Si on veut créer de meilleurs traitements, il faut utiliser ces outils séparément ou avec beaucoup de prudence, en tenant compte de l'âge et du stade de développement du cerveau. Sinon, on risque de créer des catégories statistiques qui existent sur le papier, mais qui ne signifient rien pour la réalité biologique des patients.

En résumé : Le cerveau est une machine complexe. Parfois, pour comprendre pourquoi elle fait du bruit, il faut écouter les signaux électriques et regarder la performance globale, mais il ne faut pas les confondre, car ils racontent deux histoires différentes à deux moments différents de la vie.

Résumé technique

1. Problématique et Contexte

Les individus à risque clinique élevé de psychose (CHR) présentent une hétérogénéité biologique et cognitive significative. Les catégories diagnostiques classiques masquent souvent cette diversité, ce qui rend difficile la stratification des risques et le ciblage des interventions préventives.

• Le défi : Bien que des approches multimodales (combinant cognition et électrophysiologie) aient réussi à identifier des sous-groupes ("biotypes") dans les troubles psychotiques établis (comme la schizophrénie chronique), leur application aux populations CHR reste limitée.
• L'hypothèse : Les auteurs postulent que l'application d'une analyse de regroupement (clustering) sur des données combinées de cognition et d'électrophysiologie (EEG/ERP) permettrait d'identifier des sous-groupes distincts et prédictifs au sein de la population CHR.
• La question centrale : L'intégration de modalités hétérogènes (cognition stable vs électrophysiologie dynamique) améliore-t-elle la délimitation des sous-groupes, ou risque-t-elle de brouiller les typologies significatives en raison de trajectoires développementales différentes ?

2. Méthodologie

Échantillons de données :
L'étude utilise les données de deux grandes cohortes longitudinales nord-américaines :

• NAPLS-2 (Échantillon de découverte) : 764 participants CHR et 280 témoins sains (HC).
• NAPLS-3 (Échantillon de validation externe) : 628 participants CHR et 84 témoins sains (HC).

Mesures utilisées :

• Cognition : Évaluation via la batterie cognitive MCCB (MATRICS Consensus Cognitive Battery), incluant la mémoire de travail, la vitesse de traitement, la vigilance, etc.
• Électrophysiologie (EEG/ERP) : Mesures des potentiels évoqués (ERP) lors de paradigmes auditifs et visuels :
  • N100 et MMN (Mismatch Negativity) : Indicateurs de traitement sensoriel précoce et de prédiction.
  • P300 (P3a et P3b) : Indicateurs d'allocation des ressources attentionnelles et de mise à jour des modèles internes.

Approche analytique :

1. Prétraitement : Imputation des données manquantes, correction par site, élimination des effets de l'âge et du sexe (sur les HC), standardisation et réduction de dimensionnalité (ACP).
2. Algorithmes de clustering :
   • Utilisation initiale de l'algorithme DIANA (Divisive ANAlysis Clustering) pour identifier le nombre optimal de clusters.
   • Application d'un Modèle de Mélange Gaussien (GMM) pour une approche probabiliste. Au lieu d'une catégorisation discrète (Cluster 1 ou 2), les auteurs ont utilisé les probabilités postérieures d'appartenance à un cluster pour capturer l'incertitude et la nature continue de l'hétérogénéité.
3. Validation : Les résultats de NAPLS-2 ont été validés sur NAPLS-3.
4. Analyses statistiques : Corrélations de Spearman entre les probabilités d'appartenance aux clusters et les mesures cliniques/fonctionnelles, avec ajustement pour l'âge.

3. Résultats Clés

Structure des clusters :

• L'analyse a révélé une séparabilité modeste (scores de silhouette faibles : 0,30 pour NAPLS-2 et 0,40 pour NAPLS-3). Cela a conduit les auteurs à privilégier une approche probabiliste plutôt que discrète.
• Deux clusters principaux ont été identifiés de manière cohérente dans les deux cohortes.

Caractéristiques des groupes (basées sur la probabilité d'appartenance au Cluster 1) :

• Cluster 1 (Profil "Défavorable") :
  • Cognition : Performances globalement plus faibles.
  • Électrophysiologie : Amplitudes plus grandes (plus négatives pour N1/MMN, plus positives pour P3) comparé au Cluster 2. C'est un résultat contre-intuitif par rapport à la littérature habituelle qui associe souvent de faibles amplitudes à la pathologie.
  • Clinique : Âge de début des symptômes plus précoce, fonction sociale plus altérée.
  • Démographie : Plus jeunes et moins d'années d'éducation.
• Cluster 2 (Profil "Moins sévère") :
  • Meilleures performances cognitives, fonction sociale supérieure, âge de début plus tardif.
  • Amplitudes ERP plus faibles (plus proches des témoins sains ou avec une réduction différente).

Résultats sur le devenir clinique (Conversion/Remission) :

• Aucune association significative n'a été trouvée entre l'appartenance aux clusters et le statut de conversion à la psychose, de rémission ou de persistance des symptômes CHR dans les deux cohortes.
• Cependant, une corrélation négative a été observée entre la durée de la maladie et l'incertitude du modèle (plus la durée est longue, plus l'appartenance au cluster est certaine).

Validation (NAPLS-3) :

• Les résultats de NAPLS-3 ont largement répliqué ceux de NAPLS-2 concernant les associations entre les probabilités de cluster, la cognition et les amplitudes ERP, bien que certaines nuances aient été notées sur les sites d'électrodes spécifiques.

4. Contributions et Interprétations

Interprétation des amplitudes ERP élevées :
Le fait que le groupe avec la pire cognition et fonction ait des amplitudes ERP plus grandes (N1, MMN, P3) est paradoxal par rapport aux études comparant CHR vs Témoins (où les amplitudes sont souvent réduites). Les auteurs proposent l'hypothèse d'une régulation du gain sensoriel altérée :

• Une sur-réactivité (gain élevé) du cortex auditif pourrait entraîner des signaux sensoriels excessifs.
• Cela solliciterait de manière inefficace les systèmes de filtrage exécutif, menant à une fatigue cognitive et à des déficits de mémoire de travail.
• Cela suggère que la pathologie ne suit pas une trajectoire linéaire simple (réduction progressive de l'amplitude), mais implique des mécanismes compensatoires ou des états d'hyper-excitation précoce.

Débat sur le Clustering Multimodal :

• L'étude met en évidence que le regroupement combiné (Cognition + EEG) produit une séparation moins nette que le regroupement par modalité seule (comme montré dans une étude précédente sur la cognition seule).
• Hypothèse développementale : La cognition est un marqueur de risque stable et précoce (trait), tandis que les altérations électrophysiologiques sont plus dynamiques, liées à la progression de la maladie ou à des changements circuitaires tardifs (état).
• Combiner ces deux dimensions sans tenir compte de leur trajectoire développementale peut "obscurcir" les sous-types biologiquement significatifs en mélangeant des marqueurs de vulnérabilité précoces avec des altérations d'état ultérieures.

5. Signification et Implications

• Limitation des approches "tout-en-un" : Le papier met en garde contre l'approche "kitchen sink" (tout mettre ensemble) en clustering sans cadre théorique développemental. Dans la phase CHR, les modalités peuvent indexer des axes d'hétérogénéité distincts qui ne convergent pas encore parfaitement.
• Stratégie de recherche future : Il est recommandé d'adopter des approches longitudinales, spécifiques à la modalité et ancrées dans le développement.
  • La cognition semble être un meilleur marqueur stable pour le risque précoce et le pronostic fonctionnel.
  • L'électrophysiologie pourrait être plus sensible à la différenciation des catégories de maladie, à la progression et à la transition, agissant comme un biomarqueur d'état.
• Conclusion : Bien que le clustering multimodal ait identifié des patterns cohérents, sa faible séparabilité suggère que, sans fondement développemental, il risque de créer des sous-groupes statistiquement identifiables mais biologiquement diffus, mélangeant des risques précoces et des altérations tardives.

En résumé, cette étude souligne la complexité de l'hétérogénéité dans le risque de psychose et plaide pour une intégration plus nuancée et temporellement informée des biomarqueurs multimodaux.