Publié le 2025-12-10 22:34:00. Des chercheurs de l’UCLA ont mis au point un outil d’intelligence artificielle capable de détecter la maladie d’Alzheimer chez des patients qui n’ont pas encore reçu de diagnostic, une avancée cruciale pour réduire les inégalités d’accès aux soins, notamment au sein des minorités.
- L’IA identifie la maladie d’Alzheimer avec une sensibilité de 77 à 81 % dans différents groupes ethniques, surpassant les modèles traditionnels (39 à 53 %).
- Le modèle utilise une approche innovante d’apprentissage semi-supervisé pour tenir compte des biais diagnostiques et garantir une plus grande équité.
- L’outil analyse les dossiers médicaux électroniques pour repérer des indicateurs subtils de la maladie, au-delà des symptômes classiques.
La maladie d’Alzheimer, qui touche près d’un Américain sur neuf de plus de 65 ans et représente la sixième cause de décès aux États-Unis, est souvent sous-diagnostiquée, en particulier chez les populations afro-américaines et hispaniques. Ces dernières sont respectivement 1,5 et 2 fois plus susceptibles de développer la maladie neurodégénérative que les personnes blanches non hispaniques, mais reçoivent un diagnostic moins fréquemment. Cette disparité a des conséquences importantes sur l’accès aux traitements et aux soins de soutien.
L’étude, publiée dans la revue npj Digital Medicine, révèle qu’une équipe de l’UCLA Health a développé un outil d’intelligence artificielle capable d’analyser les dossiers de santé électroniques et d’identifier les patients susceptibles d’être atteints de la maladie d’Alzheimer sans avoir encore reçu de diagnostic formel. Cette innovation pourrait permettre de combler un fossé important dans la prise en charge de la maladie.
Les recherches antérieures utilisant l’apprentissage automatique pour prédire la maladie d’Alzheimer se heurtaient à des biais diagnostiques. L’équipe de l’UCLA a donc adopté une approche différente, appelée apprentissage positif non étiqueté semi-supervisé. Cette méthode permet au modèle d’apprendre à partir de données à la fois confirmées et non confirmées, tout en intégrant des mesures d’équité pour réduire les disparités entre les populations.
Le modèle a été entraîné sur les dossiers de santé électroniques de plus de 97 000 patients de l’UCLA Health. Il analyse des données telles que les diagnostics, l’âge et d’autres facteurs cliniques pour identifier des schémas prédictifs de la maladie d’Alzheimer. Des indicateurs neurologiques classiques, comme la perte de mémoire, sont pris en compte, mais l’outil repère également des signes moins évidents, tels que les escarres ou les palpitations cardiaques, qui pourraient signaler des cas non diagnostiqués.
Les résultats sont prometteurs : le modèle atteint une sensibilité de 77 à 81 % dans les groupes ethniques étudiés (blancs non hispaniques, afro-américains non hispaniques, hispaniques/latino-américains et asiatiques de l’Est), contre seulement 39 à 53 % pour les modèles supervisés traditionnels. De plus, l’outil a été validé à l’aide de données génétiques, confirmant que les patients identifiés comme étant à risque présentent des scores de risque polygénique et des marqueurs génétiques de la maladie (nombre d’allèles APOE ε4) significativement plus élevés.
« L’écart entre les personnes atteintes de la maladie et celles qui sont diagnostiquées est considérable, et il est plus important dans les communautés sous-représentées. »
Timothée Chang, auteur correspondant de l’étude, département de neurologie de la santé de l’UCLA
Selon le Dr. Chang, cet outil pourrait aider les cliniciens à identifier les patients à haut risque qui pourraient bénéficier d’une évaluation plus approfondie. L’identification précoce est essentielle, d’autant plus que de nouveaux traitements contre la maladie d’Alzheimer sont en développement et que des interventions liées au mode de vie peuvent ralentir la progression de la maladie.
L’équipe de recherche prévoit maintenant de valider le modèle de manière prospective dans d’autres établissements de santé afin d’évaluer sa généralisabilité et son utilité clinique avant de l’intégrer potentiellement dans la pratique courante. L’objectif est de réduire les disparités diagnostiques et d’améliorer l’accès aux soins pour tous les patients atteints ou à risque de développer la maladie d’Alzheimer.
« En garantissant des prédictions équitables entre les populations, notre modèle peut aider à remédier à un sous-diagnostic important dans les populations sous-représentées. Il a le potentiel de réduire les disparités dans le diagnostic de la maladie d’Alzheimer. »
Timothée Chang, auteur correspondant de l’étude, département de neurologie de la santé de l’UCLA
Sur le même sujet
