L’actigraphie, le simple monitoring au poignet des cycles repos-activité, combinée à un modèle de transformateur IA spécialisé peut distinguer les patients atteints de la maladie de Parkinson des témoins sains avec une précision supérieure à 93 % et identifier ceux présentant un trouble du comportement en sommeil paradoxal (TCSP) concomitant avec une précision supérieure à 95 %, selon une étude publiée le 7 juillet dans le Journal of Sleep Research.
Ces résultats suggèrent que la même approche non invasive pourrait détecter les premiers changements neurodégénératifs chez les personnes souffrant de TCSP isolé (TCSPi), un précurseur connu de la maladie de Parkinson et des synucléinopathies apparentées, des années avant que les symptômes moteurs ne deviennent cliniquement apparents.
Ce qu’ils ont découvert
Des chercheurs de l’Inselspital, l’Hôpital universitaire de Berne en Suisse, ont entraîné et comparé trois architectures d’IA sur des données d’actigraphie provenant de patients atteints de la maladie de Parkinson (MP), de MP avec et sans TCSP, de TCSP isolé et de témoins non neurodégénératifs.
Le Pre-trained Actigraphy Transformer (PAT), un modèle de transformateur affiné sur des données de séries temporelles d’actigraphie, a surpassé à la fois un réseau neuronal convolutif et les approches traditionnelles d’apprentissage automatique :
| Tâche de classification | AUC | Sensibilité | Spécificité |
|—|—|—|—|
| MP vs. témoins | 0,937 | 80,5 % | 92,9 % |
| MP-TCSP vs. MP-sansTCSP | 0,956 | 84,4 % | 92,9 % |
Le CNN a atteint une AUC de 0,863 pour MP versus témoins, tandis que l’apprentissage automatique conventionnel a atteint 0,840.
De manière cruciale, lorsque le modèle PAT a été testé sur des patients atteints de TCSP isolé, des personnes qui présentent le trouble du sommeil mais aucun signe clinique de Parkinson, leurs scores de modèle se situaient exactement entre ceux du groupe témoin et du groupe MP. Ce positionnement intermédiaire suggère que l’IA capture des changements neurodégénératifs subtils qui précèdent le diagnostic moteur.
Les patients MP-TCSP ont également montré des caractéristiques d’actigraphie significativement altérées par rapport aux patients MP sans TCSP et aux témoins, indiquant que la fragmentation repos-activité porte une signature distincte au-delà de ce que l’évaluation clinique standard détecte.
Pourquoi c’est important
Le diagnostic actuel de la maladie de Parkinson repose sur les symptômes moteurs cliniques, qui n’apparaissent qu’après une perte substantielle de neurones dopaminergiques. Les biomarqueurs objectifs et évolutifs pour la détection prodromale sont parmi les priorités les plus élevées de la recherche sur les troubles du mouvement.
L’actigraphie offre un avantage pratique : les dispositifs portés au poignet sont déjà largement utilisés en médecine du sommeil et dans les wearables grand public. L’ajout d’une couche d’analyse par IA pourrait étendre l’infrastructure existante en un outil de dépistage des maladies neurodégénératives, sans équipement spécialisé, sans traceurs radioactifs, sans visites à l’hôpital nécessaires pour le triage initial.
Pour environ 1 % de la population générale de plus de 60 ans atteinte de TCSPi, dont la grande majorité développera une synucléinopathie, un biomarqueur numérique à faible coût pourrait aider à identifier qui est à risque imminent et stratifier les candidats pour les essais neuroprotecteurs.
Limites
L’étude était transversale. Les auteurs notent explicitement qu’une validation dans des cohortes longitudinales est nécessaire avant que le modèle puisse être utilisé pour la prédiction individuelle du risque. On ne sait pas encore dans quelle mesure les scores intermédiaires du modèle PAT chez les patients TCSPi sont corrélés avec le temps de progression réel jusqu’à la phénoconversion. L’étude n’a pas non plus traité les facteurs de confusion potentiels tels que les effets des médicaments sur les schémas repos-activité ou les troubles du sommeil comorbides au-delà du TCSP.
Conclusion
L’actigraphie améliorée par l’IA atteint des performances diagnostiques comparables à celles de modalités de biomarqueurs plus coûteuses et invasives pour la maladie de Parkinson et son stade prodromal. Si elle est validée de manière prospective, elle pourrait devenir le premier outil de dépistage véritablement évolutif et non invasif pour l’évaluation du risque neurodégénératif au niveau de la population, à partir d’un dispositif que de nombreuses personnes portent déjà au lit.
Source
Lopes L, Warncke JD, Filchenko I, Shi K, Bassetti CLA, Schäfer C. « Actigraphy meets AI: A digital biomarker for Parkinson’s disease and isolated REM sleep behaviour disorder. » Journal of Sleep Research. 2026 Jul 7:e70396. DOI : 10.1111/jsr.70396
Traduit par Lydie