A machine-learning-derived online diagnostic model for Parkinson’s disease integrating eye-tracking features and clinical indicators: A single-center case-control study

Résumé technique : Un modèle de diagnostic en ligne dérivé de l'apprentissage automatique pour la maladie de Parkinson

Énoncé du problème
La maladie de Parkinson (MP) nécessite un diagnostic précoce et précis pour faciliter une intervention opportune. Les méthodes de diagnostic traditionnelles reposent souvent sur l'observation clinique et des évaluations subjectives, qui peuvent être retardées jusqu'à ce que les symptômes moteurs soient proéminents. Cette étude répond au besoin d'un outil de diagnostic objectif et non invasif en intégrant les caractéristiques de l'oculométrie (eye-tracking) aux indicateurs cliniques standards. La recherche vise à développer un modèle basé sur l'apprentissage automatique capable de distinguer les patients atteints de MP des témoins avec une grande précision, en exploitant les déficits oculomoteurs connus associés à la maladie.

Méthodologie
L'étude a employé un plan cas-témoins monocentrique impliquant des participants provenant de plusieurs hôpitaux du Guangdong, en Chine. Le jeu de données comprenait à la fois des indicateurs cliniques (données démographiques, scores cognitifs tels que MMSE, MoCA, HAM-A, HAM-D, PSQI) et des caractéristiques de haute dimension issues de l'oculométrie dérivées de tâches de saccades et de poursuite oculaire (ex. : précision/latence/vélocité de la saccade de chevauchement, métriques de l'anti-saccade).

• Prétraitement des données et sélection des caractéristiques :

  • Analyse univariée : Un premier criblage a été effectué à l'aide d'une régression logistique univariée pour identifier les prédicteurs significatifs. Des variables telles que le niveau d'éducation, les fonctions visuospatiales/exécutives, l'attention, le langage, le rappel différé, l'orientation, le score total MoCA et des métriques spécifiques de l'oculométrie (ex. : vélocité moyenne de la saccade de chevauchement, taux de correction de l'anti-saccade) ont montré une signification statistique.
  • Gestion de la multicolinéarité : Une analyse du facteur d'inflation de la variance (VIF) a révélé une multicolinéarité sévère pour le score total MoCA (VIF = 45,402) et une multicolinéarité modérée pour plusieurs sous-scores. L'étude a reconnu ces corrélations, notant que les variables présentant une colinéarité sévère sont typiquement des candidates à l'élimination ou à la combinaison pour assurer la stabilité du modèle.
  • Imputation et équilibrage : L'étude a comparé la performance des modèles en utilisant l'imputation multiple par équations chaînées (MICE) par rapport à l'analyse de cas complets, constatant que MICE produisait une spécificité et une AUC légèrement plus élevées. De plus, l'impact de la technique SMOTE (Synthetic Minority Over-sampling Technique) a été évalué ; les modèles entraînés avec SMOTE ont montré une amélioration de la spécificité et des métriques équilibrées par rapport à ceux sans SMOTE.

• Développement du modèle :

  • Plusieurs algorithmes d'apprentissage automatique ont été entraînés et comparés : régression logistique (LR), forêt aléatoire (RF), XGBoost, perceptron multicouche (MLP), machine à vecteurs de support (SVM) et arbre de décision (DT).
  • Explicabilité : Le modèle de forêt aléatoire, qui a démontré une performance supérieure, a été interprété à l'aide des valeurs SHAP (SHapley Additive exPlanations) pour quantifier l'importance des caractéristiques et leur contribution aux prédictions.

• Validation :

  • Les modèles ont été évalués sur un ensemble de test indépendant.
  • Les mesures de performance incluaient la sensibilité, la spécificité, les valeurs prédictives positives/négatives (VPP/VPN), la précision, le rappel, le score F1, l'exactitude, le Kappa, l'AUC (aire sous la courbe ROC) et la PR-AUC (précision-rappel).
  • La signification statistique entre les performances des modèles a été évaluée à l'aide de tests de DeLong par paires.
  • Des analyses de sous-groupes ont été menées selon l'âge et le sexe pour évaluer la robustesse à travers les données démographiques.

Résultats clés

• Performance du modèle : Le modèle de forêt aléatoire (RF) est apparu comme le meilleur performeur. Dans l'ensemble de test indépendant, le modèle RF a atteint une AUC de 0,9711, surpassant de manière significative la régression logistique (AUC 0,8438, p=0,002), XGBoost (AUC 0,9306, p=0,094) et SVM (AUC 0,9144, p=0,024).
• Métriques de l'ensemble d'entraînement : Dans l'ensemble d'entraînement, le modèle RF a démontré une AUC de 0,996 (IC 95 % 0,991-1,000), une PR-AUC de 0,9973 et un score de Brier de 0,033, indiquant une excellente calibration et discrimination.
• Importance des caractéristiques : L'analyse univariée a identifié que des scores plus faibles dans les domaines cognitifs (fonctions visuospatiales/exécutives, attention, langage, rappel différé, orientation, MoCA) et des anomalies spécifiques de l'oculométrie (ex. : réduction de la vélocité moyenne de la saccade de chevauchement, augmentation de la durée moyenne de la saccade de chevauchement, réduction du taux de correction de l'anti-saccade) étaient fortement associés à la MP.
• Robustesse :
  • SMOTE : L'utilisation du suréchantillonnage SMOTE a amélioré la spécificité du modèle (0,9560 contre 0,9121) et le score F1 (0,9537 contre 0,9412).
  • Imputation : L'imputation MICE a entraîné une spécificité (1,000) et une VPP (1,000) parfaites dans l'ensemble de test, avec une AUC de 0,998, contre 0,996 sans imputation.
  • Sous-groupes : Le modèle a maintenu une performance élevée à travers les groupes d'âge (AUC 0,963–0,998) et les sexes (AUC 0,957–0,979), suggérant une généralisabilité au sein de la cohorte étudiée.

Signification et revendications
L'article prétend présenter un modèle de diagnostic en ligne robuste, dérivé de l'apprentissage automatique, pour la maladie de Parkinson, qui intègre efficacement les biomarqueurs de l'oculométrie aux indicateurs cliniques. La contribution principale est la démonstration qu'un modèle de forêt aléatoire, utilisant ces caractéristiques combinées, peut atteindre une précision diagnostique élevée (AUC > 0,97) dans un ensemble de test indépendant.

L'étude souligne l'utilité des caractéristiques de l'oculométrie en tant que marqueurs objectifs qui complètent les évaluations cognitives. En employant l'analyse SHAP, le modèle offre une interprétabilité, mettant en évidence les variables oculomotrices et cliniques spécifiques qui orientent le diagnostic. Les auteurs positionnent ce travail comme une étape vers des outils de diagnostic objectifs et non invasifs qui pourraient potentiellement aider à la détection précoce de la MP, soutenue par une validation statistique rigoureuse incluant des vérifications de multicolinéarité, des stratégies d'imputation multiple et des analyses de sous-groupes. Ce travail est présenté comme une étude cas-témoins monocentrique, dont les résultats suggèrent un fort potentiel d'application clinique sous réserve d'une validation externe supplémentaire.