Des techniques de pointe pour traiter la dégénérescence rachidienne
Si les observations cliniques nous aident à mieux comprendre la santé des personnes, il reste difficile de convertir ces données en mesures de prévention et de traitement des maladies bien informées. C’est le cas de la dégénérescence de la colonne vertébrale et de la lombalgie, où la dégradation des tissus et des organes à l’origine des symptômes cliniques est souvent très multifactorielle. «L’interaction complexe des facteurs dépasse notre capacité naturelle d’analyse», explique Jérôme Noailly, coordinateur du projet Disc4All(s’ouvre dans une nouvelle fenêtre), de l’université Pompeu Fabra(s’ouvre dans une nouvelle fenêtre) à Barcelone, en Espagne. «Cependant, les modèles informatiques et les simulations peuvent nous aider à ne retenir que les relations les plus importantes entre les causes et les conséquences, ce qui nous permet d’avoir une compréhension suffisante pour des prévisions et des actions bien informées.»
Comprendre les processus déclenchant la dégénérescence de la colonne vertébrale
L’objectif de Jérôme Noailly dans ce projet était de fournir un outil mathématique prédictif pour aider les professionnels des soins de la colonne vertébrale à prendre des décisions plus éclairées. Il a toutefois rencontré des difficultés pour faire correspondre ses modèles qui décrivent ce qui ne va pas mécaniquement dans la colonne vertébrale avec ce que les professionnels des soins de la colonne vertébrale essaient de traiter et ce que les patients ressentent réellement, c’est-à-dire la douleur. Grâce au projet Disc4All, soutenu par le programme Actions Marie Skłodowska-Curie(s’ouvre dans une nouvelle fenêtre), Jérôme Noailly a pu rapprocher les modèles mathématiques de l’aide clinique souhaitée en combinant l’intelligence artificielle (IA) et l’apprentissage automatique. Un consortium central de 12 bénéficiaires a rassemblé des compétences en informatique et en science des données, en biologie expérimentale et computationnelle, en bio-informatique, en biomécanique et en médecine. Ce résultat a été obtenu en intégrant des données factuelles à des modèles informatiques biologiques et mécaniques. Les outils développés dans le cadre de Disc4All ont été appliqués à une série de sources de données, qui comprennent à la fois des cohortes humaines et des expériences en laboratoire. L’objectif était de donner une image plus claire de ce qui cause réellement la dégénérescence des disques intervertébraux dans le bas du dos d’un patient, une cause majeure de douleurs lombaires. «Nous avons commencé à étudier les processus biologiques qui déclenchent la dégénérescence de la colonne vertébrale», ajoute-t-il. «En recueillant des données à ce sujet, j’ai pensé que nous pourrions être en mesure d’identifier des descripteurs personnalisés et améliorés des causes de la douleur.»
Regrouper les molécules selon leur fonction
L’IA et l’apprentissage automatique ont permis à Jérôme Noailly et à ses collègues de traiter rapidement ces données, en identifiant les facteurs de risque objectifs de dégradation de la colonne vertébrale, ainsi que des données démographiques et psychologiques. «Les biomarqueurs des images médicales ont été convertis en paramètres personnalisés dans des modèles biomécaniques mathématiques», explique Jérôme Noailly. «Nous avons ainsi été en mesure de calculer et d’explorer différents mécanismes biophysiques, ainsi que la relation entre chacun de ces mécanismes et les biomarqueurs personnalisés.» Les simulations de modèles ont contribué à identifier des biomarqueurs potentiels, c’est-à-dire certaines molécules qui pourraient être directement liées à la douleur mais qui n’ont pas fait l’objet d’un dépistage clinique. Jérôme Noailly a pu observer des schémas dans les processus biologiques qui ne sont pas facilement saisis par les méthodes traditionnelles. «C’est comparable à la manière dont les astronomes décrivent des phénomènes lointains sans les voir», fait-il remarquer. «Ils utilisent des modèles complexes, et c’est ce que nous faisons ici.»
Le sens des données biologiques et des données relatives aux patients
En appliquant l’apprentissage automatique pour extraire le sens de grandes quantités de données biologiques et de données relatives aux patients, le projet espère aider les chirurgiens à obtenir une image plus claire des causes de la lombalgie chez les patients individuels. «La modélisation informatique améliorée par l’IA est un moyen efficace de construire un modèle personnalisé de la colonne vertébrale pour la médecine de précision», explique Jérôme Noailly. «Nous sommes en mesure d’interpréter rapidement les données et de prédire si les caractéristiques personnalisées représentent un risque biologique de dégénérescence des disques intervertébraux. Ces données peuvent ensuite être exploitées pour prévenir ou traiter les lombalgies.» L’objectif est d’introduire à terme ce concept pionnier de modélisation informatique dans des contextes cliniques. Pour les prestataires de soins de santé, cela pourrait se traduire par une moindre dépendance à l’égard de technologies coûteuses et chronophages telles que les tomographies et les IRM.