Normalisation et automatisation du diagnostic des patients atteints de troubles de la conscience : une approche par apprentissage automatique appliquée aux signaux électrophysiologiques du cerveau et du corps

Standardisation and automatisation of the diagnosis of patients with disorders of consciousness : a machine learning approach applied to electrophysiological brain and body signals

Estandarización y automatización en el diagnóstico de pacientes con desordenes de conciencia : aprendizaje automático aplicado a señales electrofisiológicas del cerebro y el cuerpo

• Auteur / Autrice : Federico Raimondo
• Direction : Laurent Cohen, Diego Fernandez Slezak
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences
• Date : Soutenance le 27/11/2018
• Etablissement(s) : Sorbonne université en cotutelle avec Universidad de Buenos Aires
• Ecole(s) doctorale(s) : École doctorale Cerveau, cognition, comportement (Paris ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Institut du cerveau (Paris ; 2009-....)
• Jury : Président / Présidente : Joaquín Mariano Navajas Ahumada
• Jury : Examinateurs / Examinatrices : Jacobo Diego Sitt, Pablo Miguel Granitto, Salvador Martin Guinjoan
• Jury : Rapporteur / Rapporteuse : Joaquín Mariano Navajas Ahumada, Enzo Tagliazucchi

Mots clés

Mots clés contrôlés

Stimulation sensorielle

Apprentissage automatique

Électroencéphalographie

Diagnostic

Maladies neurologiques

Conscience

Mots clés libres

Troubles de la conscience

Electroencephalographie

Apprentissage automatique

Integration multisensorielle

Interaction cerveau-corps

Diagnostic

Disorders of consciousness

Electroencephalography

Machine learning

Multisensory integration

Brain-body interactions

Diagnosis

Résumé

Les progrès de la médecine moderne ont entraîné une augmentation du nombre de patients ayant des troubles de la conscience (DOC). Ces derniers, alors qu’ils sont éveillés, ne présentent pas de signes comportementaux de conscience. L’évaluation comportementale précise de ces patients a des implications médico-éthiques et sociales cruciales, car elle conditionne généralement le pronostic. Ainsi, les erreurs diagnostiques liées aux limites intrinsèques des outils comportementaux sont une préoccupation majeure pour les cliniciens et l’électroencéphalographie (EEG) pourrait s’avérer utile. Dans une étude précédente, nous avions introduit l’utilisation de marqueurs extraits de l’EEG et l’apprentissage supervisé pour le diagnostic des patients DOC. Dans ce travail, nous avons développé cet outil et analysé son applicabilité et ses limites. De plus, nous avons proposé deux approches pour améliorer la précision de cette méthode: (1) l’utilisation de multiples modalités de stimulation pour inclure des corrélats neuronaux de l’intégration multisensorielle et (2) l’analyse des modulations de l’activité cardiaque par la conscience. Nos résultats dépassent l’état actuel des connaissances dans deux dimensions. Cliniquement, nous avons constaté que la méthode pouvait être utilisée dans des contextes hétérogènes, confirmant l’utilité de l’apprentissage automatique en tant qu’outil automatisé de diagnostic clinique. Scientifiquement, nos résultats soulignent que les interactions cerveau-corps pourraient être le mécanisme fondamental pour soutenir l’intégration multisensorielle en un percept unique, conduisant à l’émergence de la conscience. Au total, ces travaux illustrent l’importance de l’apprentissage automatique pour une évaluation individualisée de la conscience et ouvrent la voie à l’inclusion des fonctions corporelles pour la quantification des états de conscience.

Advances in modern medicine have led to an increase of patients diagnosed with disorders of consciousness (DOC). In these conditions, patients are awake, but without behavioural signs of awareness. An accurate evaluation of DOC patients has medico-ethical and societal implications, and it is of crucial importance because it typically informs prognosis. Misdiagnosis of patients, however, is a major concern in clinics due to intrinsic limitations of behavioural tools. One accessible assisting methodology for clinicians is electroencephalography (EEG). In a previous study, we introduced the use of EEG-extracted markers and machine learning as a tool for the diagnosis of DOC patients. In this work, we developed an automated analysis tool, and analysed the applicability and limitations of this method. Additionally, we proposed two approaches to enhance the accuracy of this method: (1) the use of multiple stimulation modalities to include neural correlates of multisensory integration and (2) the analysis of consciousness-mediated modulations of cardiac activity. Our results exceed the current state of knowledge in two dimensions. Clinically, we found that the method can be used in heterogeneous contexts, confirming the utility of machine learning as an automated tool for clinical diagnosis. Scientifically, our results highlight that brain-body interactions might be the fundamental mechanism to support the fusion of multiple senses into a unique percept, leading to the emergence of consciousness. Taken together, this work illustrates the importance of machine learning to individualised clinical assessment, and paves the way for inclusion of bodily functions when quantifying global states of consciousness.

Avances en la medicina moderna han llevado a un incremento en el número de pacientes diagnosticados con desordenes de consciencia (DOC). En estas condiciones, los pacientes se encuentran despiertos, pero no muestran signos de entendimiento acerca de si mismos o el lugar donde se encuentran. Una evaluación precisa de los pacientes tiene implicaciones medico-éticas y sociales, y es de suma importancia porque típicamente informa el pronós- tico. Los diagnósticos erróneos, no obstante, es una gran preocupación en las clínicas debido a las limitaciones intrínsecas de las herramientas de diagnostico basados en comportamiento. Una tecnología accesible para asistir a los médicos es la electroencefalografía (EEG). In un estudio previo, introducimos el uso de marcadores extraídos de EEG en combinación con aprendizaje automático como una herramienta para el diagnostico de pacientes DOC. En este trabajo, desarrollamos una herramienta de análisis automatizado, y analizamos la aplicabil- idad y limitaciones de este método. Adicionalmente, proponemos dos enfoques para incre- mentar la precision del diagnóstico: (1) el uso de múltiples modalidades de estimulación para incluir los correlatos neuronales de la integración multisensorial y (2) el análisis de las mod- ulaciones de la actividad cardíaca mediadas por la conciencia. Nuestros resultados exceden el conocimiento actual en dos dimensiones. Clínicamente, encontramos que el método puede ser utilizada en contextos heterogéneos, confirmando la utilidad del aprendizaje automático como una herramientas para el diagnóstico clínico. Científicamente, nuestros resultados re- saltan que las interacciones entre el cerebro y el cuerpo pueden ser el mecanismo funda- mental para sostener la fusión de multiples sentidos en una única percepción, conduciendo a la emergencia de la consciencia. En conjunto, este trabajo ilustra la importancia del apren- dizaje automático para la evaluación clínica individualizada, y crea un punto de partida para la inclusión de las funciones corporales en la cuantificación de los estados de conciencia globales.