La surveillance clinique du déclin fonctionnel dans la SLA repose sur des évaluations périodiques qui peuvent passer à côté de changements critiques entre les visites, lorsque des interventions opportunes sont les plus bénéfiques. Pour combler cette lacune, des modèles de régression semi-supervisés avec pseudo-étiquetage ont été développés afin d’estimer les taux de déclin dans une série de cas de trois patients atteints de SLA, ciblant les trajectoires ALSFRS-R avec des données continues de capteurs à domicile. Nous avons comparé trois paradigmes de modèles (apprentissage par lot individuel et apprentissage par lot au niveau de la cohorte par rapport à l’apprentissage par transfert incrémental finement ajusté) à travers des interpolations de pseudo-étiquettes à pente linéaire, polynomiale cubique et à auto-attention assemblée.

Les résultats ont montré une homogénéité au niveau de la cohorte à travers les domaines fonctionnels, avec un apprentissage par transfert réduisant l’erreur de prédiction pour les sous-échelles ALSFRS-R dans 28 des 34 contrastes (RMSE moyen=0,20(0,14–0,25)). Pour les scores composites ALSFRS-R, l’apprentissage par lot individuel était optimal chez 2 des 3 participants (RMSE moyen=3,15(2,24–4,05)). L’interpolation par auto-attention a le mieux capturé la progression non- linéaire, fournissant la plus faible erreur au niveau des sous-échelles (RMSE moyen=0,19(0,15–0,23)), surpassant les interpolations linéaires et cubiques dans 21 des 34 contrastes. Inversement, l’interpolation linéaire a produit des prédictions composites plus précises (RMSE moyen=3,13(2,30–3,95)). Des profils distincts d’homogénéité-hétérogénéité ont été identifiés à travers les domaines, avec des fonctions respiratoires et de parole montrant des schémas de progression spécifiques aux patients qui se sont améliorés grâce à un ajustement affiné, personnalisé, progressif tandis que les fonctions de déglutition et d’habillage suivaient des tendances au niveau de la cohorte adaptées à la modélisation de transfert par lot.

Ces résultats indiquent que l’adaptation dynamique des techniques d’apprentissage et de pseudo-étiquetage aux profils d’homogénéité-hétérogénéité spécifiques à un domaine fonctionnel améliore la précision prédictive dans le suivi de la progression de la SLA. En tant que pilote exploratoire, ces résultats reflètent des observations au niveau du cas plutôt que des effets à l’échelle de la population. L’intégration de la sélection adaptative de modèles au sein des plateformes de capteurs pourrait permettre des interventions opportunes, en tant que méthode de déploiement évolutif dans de futures études multicentriques.

Traduction: Viviane

Source: Frontiers in Digital Health