TSA : du machine learning pour identifier précocement les enfants à risque
Pouvoir identifier très précocement un risque de trouble du spectre de l’autisme (TSA) est l’objectif du programme Pélargos. Conçu autour d’un algorithme d’intelligence artificielle, plus précisément de machine learning, le dispositif exploite les données périnatales habituelles afin de détecter des signaux précoces associés à un futur TSA. Après la phase pilote, c’est un appel aux centres français que lancent les investigateurs.
La phase pilote du projet Pélargos, menée au CHU de Limoges, a produit des résultats probants, publiés en 2021. En permettant une identification plus précoce des enfants susceptibles de développer un TSA, le modèle ouvre la voie à une prise en charge anticipée.
Le projet pourrait ainsi rendre possible la mise en œuvre de thérapies psychoéducatives dès l’âge de 2 à 3 ans, période de grande plasticité cérébrale, contre 4 à 6 ans en moyenne actuellement, avec l’objectif d’améliorer durablement la qualité de vie et l’autonomie des personnes concernées.
L’étude pilote reposait sur une analyse rétrospective de l’ensemble des données collectées en maternité en France (échographies, paramètres biologiques néonataux et parentaux, etc.) chez des enfants ultérieurement diagnostiqués avec un TSA, comparés à des enfants neurotypiques (NT).
Les chercheurs de la phase pilote ont ensuite appliqué un algorithme d’apprentissage automatique supervisé, assorti d’une procédure de validation croisée, afin de classifier les nourrissons NT et TSA. En fixant le taux de faux positifs à 4%, le modèle a permis d’identifier 96% des nourrissons NT et 41% des nourrissons TSA, avec une valeur prédictive positive de 77%.
Le projet entre désormais dans une phase de validation à l’échelle nationale. À ce jour, cinq centres hospitaliers français se sont déjà portés volontaires. Afin de garantir la robustesse du modèle, 2000 enfants devront être recrutés : 1000 enfants diagnostiqués avec un TSA et 1000 enfants neurotypiques.
L’analyse algorithmique est conduite par l’équipe scientifique de B&A Biomedical, à l’origine du développement du modèle. À terme, l’ambition est de réduire le nombre de paramètres discriminants nécessaires au dépistage du TSA à une dizaine environ.
Références :
Caly, H., Rabiei, H., Coste-Mazeau, P. et al. Machine learning analysis of pregnancy data enables early identification of a subpopulation of newborns with ASD. Sci Rep 11, 6877 (2021).