Détection précoce de la paralysie cérébrale grâce à la technologie

La Paralysie Cérébrale (PC) désigne un ensemble de troubles qui touchent le mouvement, la posture et le développement moteur. Ces conditions sont causées par des blessures ou des changements dans le cerveau qui surviennent avant qu'un enfant atteigne un an. La PC est la cause la plus fréquente de handicap physique chez les enfants, touchant environ 2,1 sur 1000 naissances vivantes dans le monde. Même si les bébés nés trop tôt ou avec un faible poids à la naissance sont plus à risque, près de la moitié des bébés diagnostiqués avec une PC sont nés à terme et n'avaient pas de facteurs de risque évidents.

#Importance du diagnostic précoce

Identifier la PC tôt est crucial pour améliorer la santé et le développement des enfants concernés. Repérer des mouvements inhabituels dans les six premiers mois de vie permet d'intervenir à temps, ce qui peut aider durant les phases critiques de développement du cerveau et des muscles. Les recherches montrent que l'intervention précoce booste non seulement le développement de l'enfant, mais améliore aussi le bien-être des parents. Malheureusement, l'âge moyen pour un diagnostic de PC est d'environ 19 mois, et seulement 21 % des nourrissons atteints de PC sont diagnostiqués avant six mois. Ce retard signifie que beaucoup d'enfants ratent des opportunités importantes pour un traitement précoce.

#Évaluation générale des mouvements

Une manière d'identifier les enfants à haut risque de PC est la méthode appelée Évaluation générale des mouvements (EGM). Cette évaluation observe les mouvements spontanés impliquant tout le corps. Pendant les premiers mois, les bébés montrent souvent un mélange de petits mouvements vifs appelés mouvements "agités". Un évaluateur formé peut reconnaître ces mouvements en observant un bébé allongé sur le dos sans interaction directe. Les Enregistrements vidéo de ces évaluations se sont révélés très fiables pour prédire les résultats développementaux futurs.

Bien que l'EGM soit un outil important pour identifier la PC, tous les professionnels de santé n'ont pas la formation spécialisée nécessaire pour l'effectuer, surtout dans les soins primaires. Cette limitation rend difficile l'utilisation généralisée de l'EGM comme outil de dépistage. Cependant, utiliser des smartphones pour enregistrer des vidéos de bébés a ouvert de nouvelles avenues pour améliorer l'accès à l'EGM. Des applications récentes permettent aux parents de capturer facilement les mouvements de leur bébé, qui peuvent ensuite être évalués pour le risque de PC. De plus, des systèmes de notation automatisés peuvent analyser ces vidéos pour simplifier le processus de dépistage.

#Avancées technologiques

Les avancées récentes en vision par ordinateur et Apprentissage profond ont permis de suivre les mouvements du corps avec une grande précision. Les techniques d'estimation de pose permettent aux ordinateurs d'identifier des points spécifiques du corps à partir de vidéos et de surveiller les mouvements. Ces outils n'ont besoin d'aucun équipement ou capteur spécial, ce qui les rend accessibles pour suivre les mouvements dans de nouvelles vidéos après qu'ils aient été formés. Bien qu'il existe de nombreux outils open-source disponibles pour l'estimation de pose, ils ne fonctionnent souvent pas bien avec les vidéos de nourrissons en raison des différentes tailles et mouvements du corps. Donc, il est nécessaire de peaufiner ces modèles pour les données de nourrissons.

Plusieurs études ont montré que l'estimation de pose peut être réussie pour prédire les résultats moteurs chez les nourrissons. Par exemple, en utilisant une approche semi-automatisée pour analyser des vidéos cliniques, les chercheurs ont trouvé que leurs évaluations informatiques pouvaient prédire la PC aussi efficacement que des évaluateurs humains. D'autres études ont utilisé des modèles spécialisés pour identifier des nourrissons à haut risque à partir de vidéos enregistrées dans des conditions contrôlées. Cependant, des défis persistent pour appliquer ces techniques dans des scénarios réels.

#Besoin d'études plus larges

De nombreuses études sur le mouvement des nourrissons et le risque de PC ont impliqué des groupes relativement petits de nourrissons et ont été menées dans des environnements cliniques. Notre objectif était de combler cette lacune en utilisant une grande collection de vidéos de mouvements de nourrissons enregistrées à distance via une application smartphone. Nous avons testé l'estimation de pose automatisée pour voir à quel point elle pouvait prédire efficacement les classifications EGM.

Pour obtenir ces vidéos, nous avons collecté 503 enregistrements de trois minutes de 341 nourrissons âgés de 12 à 18 semaines. Nous avons ensuite formé un modèle d'apprentissage profond pour reconnaître et étiqueter les mouvements du corps dans ces vidéos. Notre modèle a atteint un haut niveau de précision en identifiant les parties du corps et leurs mouvements.

#Collecte et analyse des données

Pour s'assurer de la collecte précise des données de mouvement, nous avons mis en place un processus complet. Après avoir acquis les vidéos, nous avons étiqueté manuellement des points corporels clés sur un échantillon de vidéos pour garantir que notre modèle apprenne à les reconnaître avec précision. Le modèle d'apprentissage profond que nous avons utilisé a pu étiqueter ces points corporels avec un haut degré de précision, correspondant de près aux performances des chercheurs humains.

Dans notre analyse, nous avons identifié divers facteurs qui pouvaient influencer la performance de notre modèle, y compris les vêtements portés par les nourrissons. Nous avons remarqué que si les nourrissons portaient des vêtements couvrant leurs mains ou leurs pieds, cela compliquait la reconnaissance de ces parties du corps par le modèle. Nous avons mis en place une mesure de contrôle de qualité pour n'inclure dans notre analyse finale que les vidéos où plus de 70 % des points corporels étaient étiquetés avec confiance.

#Prédiction des résultats EGM

Après traitement des vidéos, nous avons préparé les données de mouvement pour la classification. Nous avons conçu un pipeline personnalisé qui ajustait les données pour différentes qualités vidéo et mouvements de caméra. En utilisant une approche à fenêtre glissante, nous avons recherché des périodes dans chaque vidéo qui indiquaient des mouvements anormaux.

Nous avons formé un réseau de neurones convolutifs (un type de modèle d'apprentissage profond) sur de courts extraits de données de mouvement, lui permettant d'apprendre et de reconnaître les schémas de mouvement normaux et anormaux. Dans nos tests, nous avons constaté que notre modèle était fiable, obtenant un bon score sous la courbe caractéristique du récepteur (AUC), ce qui indique son efficacité à prédire les classifications EGM.

En examinant les caractéristiques mises en avant par notre modèle, nous avons découvert que les mouvements du bas du corps étaient particulièrement importants pour distinguer les mouvements normaux des anormaux. Cette découverte nous aide à comprendre quels types de mouvements sont les plus pertinents lors de l'évaluation du risque de PC.

#Liens avec le développement à deux ans

Nous avons suivi les nourrissons à deux ans pour évaluer leur développement moteur, cognitif et langagier à l'aide d'échelles établies. Nos résultats ont indiqué qu'il y avait des différences significatives dans les scores de développement basées sur les prédictions du modèle concernant leurs notations EGM. Les nourrissons prédits avec une EGM anormale ont montré des scores moteurs plus bas, et cette tendance était plus marquée chez ceux nés prématurément.

Nous n'avons pas trouvé de lien significatif entre les prédictions EGM et les résultats en considérant uniquement les cohortes de naissance, soulignant la complexité supplémentaire de la naissance prématurée dans l'influence des résultats développementaux. Bien que les nourrissons avec des prédictions anormales aient obtenu des scores plus bas en moyenne, le lien avec leur date de naissance était un facteur significatif.

#Implications pour la détection précoce

Notre travail démontre le potentiel d'utiliser l'apprentissage profond et la technologie smartphone pour automatiser la détection de mouvements anormaux chez les nourrissons. En identifiant avec précision les facteurs de risque de PC à travers des enregistrements vidéo, nous pouvons faciliter des interventions plus précoces pour les enfants concernés. Cette approche a le potentiel d'une utilisation généralisée, surtout dans des zones où l'accès aux soins spécialisés peut être limité.

L'EGM reste un outil puissant pour prédire la PC, mais l'intégration de technologies avancées peut améliorer son accessibilité et son efficacité. Les développements futurs pourraient se concentrer sur l'affinement de ces méthodes automatisées pour améliorer les taux de détection et réduire le fardeau des familles et des professionnels de la santé.

#Résumé des points clés

1. La paralysie cérébrale affecte le mouvement et la posture à cause de blessures cérébrales précoces.
2. Un diagnostic précoce est essentiel pour de meilleurs résultats mais est souvent retardé.
3. L'évaluation générale des mouvements peut identifier les enfants à risque de PC.
4. La technologie smartphone permet une capture vidéo plus facile pour les évaluations.
5. Les modèles d'estimation de pose automatisés peuvent prédire les classifications EGM avec précision.
6. De grandes études utilisant des enregistrements vidéo à distance peuvent fournir des résultats plus robustes.
7. Les découvertes établissent un lien entre les premiers schémas de mouvement et les résultats développementaux à deux ans.
8. L'intégration de la technologie dans les évaluations peut améliorer la détection précoce et l'intervention pour la PC.

#Conclusion

La paralysie cérébrale pose des défis pour les enfants touchés et leurs familles, mais les avancées technologiques et les méthodes d'évaluation peuvent ouvrir la voie à une détection plus précoce et à des interventions plus efficaces. En exploitant les capacités de l'apprentissage profond et de l'analyse vidéo, nous pouvons faire des progrès pour améliorer les résultats des enfants à risque. À mesure que nous continuons à développer ces techniques, il est essentiel de s'assurer qu'elles sont accessibles à tous, permettant des soins de santé équitables et un soutien pour chaque enfant dans le besoin.