Predicting post-stroke cognitive impairments from lesion topography using machine learning

Contexte: L’AVC est la quatrième et la cinquième cause de décès en importance au Canada et aux États-Unis. Les survivants d’un AVC vivent avec des déficiences légères à sévères à vie. Une rééducation précoce peut améliorer les résultats à long terme des patients victimes d’un AVC et améliorer leur qualité de vie. Une prédiction précise des déficiences cognitives post-AVC au niveau d’un patient individuel peut aider au développement de traitements et de stratégies d’intervention personnalisés.Méthodes: Nous avons appliqué et comparé des méthodes d’apprentissage automatique sur un échantillon plutôt large de données d’AVC (n = 1401) pour prédire les résultats cognitifs à partir de la topographie des lésions. La banque de données comprenait des images IRM (structurelles axiales T1, spin écho pondérées en T2, DWI et séquence FLAIR) de patients victimes d’un AVC ischémique réalisées dans les 7 jours suivant le début de l’AVC et leurs évaluations neuropsychologiques, y compris des mesures de la cognition globale, du langage, de la mémoire, du fonctionnement visuospatial , dela vitesse de traitement de l’information et de la fonction exécutive à 3 mois. Trois approches pour analyser les relations cerveau-comportement du point de vue de l’analyse prédictive ont été explorées et comparées en termes de performances de prédiction hors échantillon des fonctions cognitives post-AVC, basées sur une validation croisée imbriquée 5 fois: 1) modèles multi-variés vs modèles univariés; 2) modèles non linéaires vs modèles linéaires 3) augmentation des données (Mixup).Résultats: Les valeurs du coefficient de détermination hors échantillon (r- carré) dans toutes les approches sont généralement faibles et incohérentes entre les plis de validation croisée, ce qui indique une performance prédictive médiocre. Cependant, nous voyons que: 1) la modélisation conjointe de fonctions cognitives interdépendantes présente le potentiel d’effectuer des prédictions plus précises dans les domaines de la cognition globale et du langage; 2) les modèles non linéaires pourraient potentiellement être exploités pour améliorer les prédictions individualisées dans les domaines du langage et de la mémoire; et 3) il n’est pas facile d’exploiter des échantillons artificiels générés par Mixup pour améliorer les performances prédictives des fonctions cognitives après un AVC.Conclusion: La prédiction des résultats d’un seul patient à partir de la topographie des lésions est une tâche difficile compte tenu de la qualité et de la quantité de données de neuroimagerie actuellement disponibles pour les AVC. Ce travail met en évidence les défis et fournit des orientations utiles pour les recherches futures sur la cartographie lésion-comportement

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.