Simple Science

La science de pointe expliquée simplement

# Sciences de la santé# Neurologie

Utiliser l'écriture pour détecter un léger déclin cognitif

L’analyse du langage peut aider à identifier les troubles cognitifs légers tôt.

― 7 min lire


L'écriture comme unL'écriture comme unindicateur de santécognitivesignes précoces de déclin cognitif.L'utilisation du langage montre des
Table des matières

À mesure que le nombre de personnes âgées augmente, les maladies liées à l'âge qui affectent le cerveau, comme la maladie d'Alzheimer, ne cessent de croître. Ces conditions touchent non seulement les personnes concernées, mais elles créent aussi de lourdes pressions financières et émotionnelles sur les familles et la société.

Des recherches estiment que le coût des soins pour les personnes atteintes de démence dépasse actuellement les 500 milliards de dollars aux États-Unis et pourrait atteindre 2 trillions d'ici 2030. Une détection précoce des symptômes peut aider à retarder l'apparition de maladies comme Alzheimer et à réduire ces charges.

Qu'est-ce que le trouble cognitif léger ?

Le trouble cognitif léger (TCL) est un stade entre le vieillissement normal et des conditions plus sérieuses comme la démence. Cela implique des changements notables dans la mémoire, la pensée et la capacité à effectuer des activités quotidiennes. Le TCL a différents sous-types, principalement axés sur des problèmes de mémoire. Les deux principaux types sont :

  1. TCL amnésique (TCL-a) : Ici, la perte de mémoire est le principal problème.
  2. TCL non amnésique (TCL-na) : Ce type touche d'autres domaines comme l'attention, le langage et les fonctions exécutives.

Bien que les personnes avec un TCL aient un risque plus élevé de développer une démence, tout le monde ne progresse pas vers des problèmes cognitifs graves. Certains peuvent rester stables, tandis que d'autres pourraient même s'améliorer.

Pourquoi différencier les types de TCL est important

Identifier quel type de TCL une personne a est essentiel pour prédire si elle pourrait développer une démence. En général, le TCL-a est plus étroitement lié à la maladie d'Alzheimer. Des études récentes confirment que le TCL-a a un risque plus élevé de progression vers la démence par rapport au TCL-na.

Méthodes actuelles de diagnostic du TCL

Différents tests existent pour diagnostiquer le TCL. Certains peuvent inclure :

  • Des tests de dépistage cognitif qui détectent des problèmes cognitifs évidents.
  • Des tests neuropsychologiques détaillés qui évaluent diverses capacités cognitives.
  • Des examens d'imagerie cérébrale ou des tests de liquide céphalo-rachidien pour rechercher des biomarqueurs spécifiques.

Cependant, beaucoup de ces méthodes peuvent être coûteuses et ne sont pas toujours pratiquées de manière routinière dans les établissements de santé.

Le rôle du langage dans la détection précoce

Des changements dans l'utilisation du langage peuvent être des indicateurs précoces d'un déclin cognitif. L'écriture, qui implique diverses compétences cognitives, peut refléter des problèmes sous-jacents. Lorsque les gens écrivent, ils passent par plusieurs étapes, comme planifier ce qu'ils veulent dire, assembler des mots et réviser leur travail.

Une étude récente suggère que l'analyse d'échantillons d'écriture peut aider à identifier des personnes à risque de progression du TCL vers la démence. Cela a été démontré dans une étude utilisant une tâche d'écriture particulière appelée la description de l'image du vol de biscuits.

Utiliser la technologie pour évaluer l'écriture

Les avancées récentes en technologie, notamment le Traitement du langage naturel (NLP), permettent aux chercheurs d'analyser le langage écrit. Le NLP peut examiner différents aspects de l'écriture pour détecter des patterns pouvant indiquer un déclin cognitif.

Des études ont réussi à distinguer entre des individus en bonne santé et ceux ayant un TCL ou une démence grâce à l'analyse de l'écriture. L'objectif est d'utiliser ces méthodes technologiques pour créer des évaluations plus précises des personnes avec différents types de TCL.

Aperçu de l'étude

Pour tenter de classer les deux sous-types de TCL, les chercheurs ont recueilli des échantillons d'écriture de personnes ayant soit un TCL-a, soit un TCL-na.

Les participants comprenaient 169 individus diagnostiqués par des neurologues expérimentés dans une institution médicale. L'étude a veillé à exclure les personnes très jeunes, celles ayant certaines conditions psychiatriques ou neurologiques, ou ayant des déficiences visuelles ou auditives graves.

Dans le cadre de l'étude, les participants ont passé une série de tests cognitifs qui ont évalué leurs capacités linguistiques ainsi que leurs forces et faiblesses cognitives.

La tâche de description d'image

Pour recueillir des échantillons d'écriture, les participants ont été montrés l'image du vol de biscuits et ont été invités à écrire une description. Cette tâche visait à voir à quel point ils pouvaient exprimer ce qu'ils voyaient.

Après avoir terminé la tâche, leurs écrits ont été soigneusement analysés par les chercheurs. En utilisant des techniques d'apprentissage automatique, les chercheurs ont exploré la structure grammaticale des écrits et identifié différentes caractéristiques linguistiques.

Analyse des résultats

L'analyse a impliqué de décomposer le texte en mots et phrases individuels et d'examiner leurs relations. Cela a permis aux chercheurs d'identifier des caractéristiques linguistiques clés pouvant indiquer un déclin cognitif.

Les résultats ont montré que les individus avec un TCL-a et un TCL-na produisaient différents types de langage écrit. Ceux avec un TCL-a avaient plus de difficultés avec l'expressivité, indiquant des déficits de mémoire.

Pour améliorer l'exactitude, les chercheurs ont utilisé des modèles avancés d'apprentissage automatique qui ont analysé ces échantillons d'écriture. En recherchant des patterns dans l'écriture, les modèles pouvaient classer les participants dans le bon sous-type de TCL avec une précision impressionnante.

Résultats et implications

L'étude a montré que l'analyse des échantillons d'écriture pouvait distinguer avec précision entre les individus avec un TCL-a et un TCL-na, avec des taux de précision d'environ 90%.

Cette découverte souligne que l'analyse du langage peut offrir des aperçus précieux sur les fonctions cognitives, permettant une détection précoce des conditions avant qu'elles ne s'aggravent. Les échantillons de langage écrit, surtout à partir de tâches simples, peuvent fournir des informations significatives sur les capacités cognitives des individus sans nécessiter de tests exhaustifs.

Les avantages de l'analyse du discours écrit

Utiliser des échantillons écrits, comme ceux de la tâche du vol de biscuits, offre une approche plus simple et rapide pour détecter les problèmes cognitifs. Des tâches standardisées comme celle-ci permettent aux prestataires de soins de santé d'évaluer les capacités cognitives d'un individu sans être trop épuisantes.

De plus, l'analyse de l'écriture permet aux professionnels de recueillir des détails importants sur les compétences linguistiques de chaque personne. L'étude indique également que cette méthode pourrait nécessiter moins de ressources par rapport aux évaluations cognitives traditionnelles qui impliquent plusieurs tests.

Directions futures

Pour vérifier ces résultats, plus de recherches avec un plus grand échantillon sont nécessaires. Les études futures devraient également examiner le lien entre le TCL et la démence pour voir si les méthodes peuvent prédire la progression vers des formes plus sévères de déclin cognitif.

En se concentrant sur des tâches simples qui évaluent les compétences linguistiques, les prestataires de soins de santé peuvent mieux comprendre le déclin cognitif et identifier ceux qui pourraient bénéficier d'interventions ou de traitements plus précoces.

Conclusion

Le trouble cognitif léger est un domaine d'étude essentiel car il sert de précurseur à des troubles cognitifs plus graves comme la maladie d'Alzheimer. En distinguant efficacement les sous-types de TCL grâce à l'analyse du langage, les chercheurs peuvent développer de meilleurs outils et stratégies de diagnostic.

Ces résultats ouvrent la voie à des méthodes d'évaluation de la santé cognitive plus efficaces et rentables, menant finalement à de meilleurs résultats pour les individus à risque de démence. Comprendre l'importance des changements de langage ouvre de nouvelles opportunités pour une détection précoce, une intervention et un soutien pour ceux qui font face à des défis cognitifs.

Source originale

Titre: A Machine Learning Classification of Individuals with Mild Cognitive Impairment into Variants from Writing

Résumé: IntroductionIndividuals with Mild Cognitive Impairment (MCI), a transitional stage between cognitively healthy aging and dementia, are characterized by subtle neurocognitive changes. Clinically, they can be grouped into two main variants, namely into patients with amnestic MCI (aMCI) and non-amnestic MCI (naMCI). The distinction of the two variants is known to be clinically significant as they exhibit different progression rates to dementia. However, it has been particularly challenging to classify the two variants robustly. Recent research indicates that linguistic changes may manifest as one of the early indicators of pathology. Therefore, we focused on MCIs discourse-level writing samples in this study. We hypothesized that a written picture description task can provide information that can be used as an ecological, cost-effective classification system between the two variants. MethodsWe included one hundred sixty-nine individuals diagnosed with either aMCI or naMCI who received neurophysiological evaluations in addition to a short-written picture description task. Natural Language Processing (NLP) and BERT pre-trained Language Models were utilized to analyze the writing samples. ResultsWe showed that the written picture description task provided 90% overall classification accuracy for the best classification models, which performs better than cognitive measures. DiscussionWritten discourses analyzed the AI models can automatically assess individuals with aMCI and naMCI and facilitate diagnosis, prognosis, therapy planning, and evaluation.

Auteurs: Charalambos Themistocleous, H. Kim, A. E. Hillis

Dernière mise à jour: 2024-04-22 00:00:00

Langue: English

Source URL: https://www.medrxiv.org/content/10.1101/2024.02.16.24302965

Source PDF: https://www.medrxiv.org/content/10.1101/2024.02.16.24302965.full.pdf

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à medrxiv pour l'utilisation de son interopérabilité en libre accès.

Plus d'auteurs

Articles similaires