AI-based multimodal behavioral phenotyping for sarcopenia and muscle health assessment in older adults: study protocol

À mesure que les gens vieillissent, leur corps perd naturellement de la masse et de la force musculaires, une condition connue sous le nom de sarcopénie. Ce déclin ne se résume pas seulement à une sensation de faiblesse ; il est étroitement lié à un risque plus élevé de chute, de perte d'indépendance et de complications de santé graves. Actuellement, les médecins s'appuient sur des machines spécialisées pour mesurer les muscles et la force, ou posent aux patients des questions simples sur leurs difficultés quotidiennes. Cependant, ces machines sont coûteuses et difficiles à utiliser pour des contrôles réguliers dans les quartiers, tandis que les questions simples manquent souvent le problème à ses stades précoces car les gens peuvent ne pas réaliser qu'ils perdent de la force avant qu'il ne soit trop tard. Les scientifiques soupçonnent depuis longtemps que la façon dont les gens bougent, parlent et s'expriment pourrait détenir des indices cachés sur leur santé musculaire, des indices qui existent en dehors de ce qu'une personne connaît ou rapporte consciemment. Le défi a été de déterminer comment capturer ces signaux subtils chez les adultes plus âgés d'une manière qui soit naturelle et non intimidante, surtout lorsqu'ils sont peu familiers avec les technologies complexes.

Une équipe de chercheurs de l'Université de Yeungnam en Corée du Sud a conçu une nouvelle façon de chercher ces indices. Au lieu de demander aux adultes plus âgés d'effectuer des tests physiques difficiles ou de remplir de longs formulaires seuls, les chercheurs ont créé une session basée sur la conversation, douce et d'une durée de moins de trente minutes. L'objectif est de voir si un programme informatique peut écouter et observer attentivement pour repérer les signes d'une faible masse musculaire simplement en observant comment une personne parle, bouge son visage et fait des gestes en discutant. Cette approche traite la voix et le visage humains comme une source riche de données, de la même manière qu'un médecin écoute un battement de cœur, mais ici le « battement de cœur » est le rythme subtil de la parole et les micro-mouvements des muscles faciaux. Les chercheurs n'essaient pas de remplacer les tests médicaux de référence, mais explorent si ces comportements quotidiens peuvent servir de première étape rapide et non invasive pour identifier qui pourrait avoir besoin d'un examen plus approfondi.

L'étude implique jusqu'à 120 adultes vivant en communauté, âgés de soixante-cinq ans et plus. Chaque participant se rend dans une salle de laboratoire calme où il participe à une session unique guidée par un chercheur formé. Ce guide humain est une partie cruciale de la conception, agissant comme une présence amicale pour réduire toute anxiété que le participant pourrait ressentir à l'idée d'être enregistré. La session est divisée en deux parties. D'abord, pendant que le participant est frais et alerte, il s'engage dans une série d'interactions naturelles. Ils discutent brièvement de leur journée, lisent un court passage à haute voix, puis regardent des photos de visages exprimant différentes émotions, identifiant d'abord l'émotion, puis essayant de reproduire cette même expression faciale. Enfin, on leur demande de raconter une courte histoire sur un moment récent de bonheur et un moment récent de tristesse. Tout au long de ce processus, des caméras et des microphones enregistrent tout, capturant la vitesse de leur parole, le ton de leur voix, les muscles spécifiques qu'ils utilisent lorsqu'ils sourient ou font la grimace, ainsi que l'amplitude de leurs mouvements de mains et de bras.

Après cette observation comportementale, la session passe à la seconde partie, où le participant répond à une série de questions de santé standard. Certaines de ces questions portent sur son risque de perte musculaire, tandis que d'autres interrogent sur son niveau d'humeur et d'anxiété. Les chercheurs utilisent un mélange de méthodes : certaines questions sont répondu par le participant sur un écran tactile, tandis que d'autres sont lues à haute voix par le guide pour garantir que tout le monde puisse participer confortablement, quel que soit son aisance avec la technologie. Les chercheurs comparent ensuite les enregistrements vidéo et audio de la première partie avec les mesures physiques prises sur les participants. Ils utilisent un dispositif qui mesure la quantité de muscle dans les bras et les jambes ainsi qu'un test de force de préhension pour déterminer qui possède une masse musculaire normale et qui présente une faible masse musculaire. Ces mesures physiques servent de vérité de terrain contre laquelle les observations comportementales sont testées.

L'idée centrale est que la santé musculaire pourrait laisser une empreinte sur le comportement d'une personne. Les chercheurs émettent l'hypothèse que ceux qui ont une masse musculaire plus faible pourraient parler plus lentement, utiliser un ton de voix plus plat ou montrer moins de variété dans leurs expressions faciales. Ils soupçonnent également que la façon dont une personne bouge ses mains en parlant pourrait être moins fluide ou moins fréquente. En utilisant des programmes informatiques avancés, l'équipe analysera des milliers de détails minuscules issus des enregistrements, tels que la fréquence des pauses, l'oscillation de la voix ou l'intensité du mouvement des sourcils. L'ordinateur tentera ensuite d'apprendre la différence entre les modèles comportementaux de ceux qui ont des muscles sains et de ceux qui ont une faible masse musculaire. Si l'ordinateur parvient à distinguer avec succès les deux groupes en se basant uniquement sur la vidéo et l'audio, cela suggérera que ces signaux comportementaux sont effectivement liés à la santé musculaire.

Cette étude est un protocole, ce qui signifie qu'il s'agit d'un plan détaillé de la manière dont la recherche sera menée, plutôt que d'un rapport de résultats finaux. Les chercheurs mettent en place le système pour s'assurer que les données collectées sont de haute qualité et cohérentes. Ils accordent une attention particulière au rôle du guide humain, en notant soigneusement comment le guide interagit avec le participant et quand une aide est nécessaire. Cette information est vitale car l'objectif ultime est de construire, à terme, un assistant numérique, peut-être un programme informatique capable de discuter avec les gens, qui puisse réaliser cette évaluation sans la présence d'un humain. En observant comment un véritable humain aide une personne âgée à se sentir à l'aise et comprise, les chercheurs espèrent apprendre aux futurs systèmes d'intelligence artificielle à faire de même. Ils construisent également un ensemble de données comprenant des personnes de différents âges et des deux sexes, garantissant que la technologie développée soit équitable pour tous.

Les chercheurs sont prudents quant à ce qu'ils espèrent trouver. Ils reconnaissent que les adultes plus âgés peuvent se sentir nerveux dans un laboratoire, et que cette nervosité pourrait modifier la façon dont ils parlent ou bougent, ce qui pourrait fausser les résultats. Pour gérer cela, ils mesurent séparément les niveaux d'anxiété et de dépression, afin de pouvoir distinguer si l'ordinateur détecte des problèmes musculaires ou simplement une inquiétude générale. Ils sont également conscients que le nombre de personnes ayant une faible masse musculaire dans un groupe communautaire général peut être restreint, ils ont donc planifié leur analyse pour rechercher des modèles à travers toute la gamme de la santé musculaire, et non pas seulement via une simple division binaire. Si l'étude démontre que les signaux comportementaux sont utiles, elle pourrait mener à une nouvelle façon de dépister la perte musculaire rapidement et facilement dans les communautés, sans équipement coûteux ni longues attentes. Si les signaux ne sont pas assez forts, l'étude fournira tout de même des connaissances précieuses sur la façon dont les adultes plus âgés interagissent avec la technologie et sur la manière de concevoir de meilleurs outils pour eux.

Ce travail se situe à l'intersection du vieillissement, du comportement et de l'intelligence artificielle. Il dépasse l'idée que la santé musculaire ne concerne que la vitesse à laquelle quelqu'un marche ou la lourdeur d'un poids qu'il peut soulever. Au contraire, il suggère que l'état du corps pourrait se refléter dans les manières calmes et automatiques dont nous nous exprimons chaque jour. En traitant une conversation comme une fenêtre sur la santé physique, les chercheurs ouvrent une nouvelle voie pour comprendre comment nous vieillissons. Ils ne prétendent pas avoir résolu le problème de la sarcopénie, mais ils construisent les outils pour voir si une simple et amicale discussion pourrait un jour aider à détecter le problème tôt, donnant ainsi aux adultes plus âgés plus de temps pour rester forts et indépendants. L'étude représente un effort méticuleux, étape par étape, pour transformer une question biologique complexe en une technologie pratique et centrée sur l'humain.