Normalisation et automatisation du diagnostic des patients atteints de troubles de la conscience : une approche par apprentissage automatique appliquée aux signaux électrophysiologiques du cerveau et du corps
Institution:
Sorbonne universitéDisciplines:
Directors:
Abstract EN:
Advances in modern medicine have led to an increase of patients diagnosed with disorders of consciousness (DOC). In these conditions, patients are awake, but without behavioural signs of awareness. An accurate evaluation of DOC patients has medico-ethical and societal implications, and it is of crucial importance because it typically informs prognosis. Misdiagnosis of patients, however, is a major concern in clinics due to intrinsic limitations of behavioural tools. One accessible assisting methodology for clinicians is electroencephalography (EEG). In a previous study, we introduced the use of EEG-extracted markers and machine learning as a tool for the diagnosis of DOC patients. In this work, we developed an automated analysis tool, and analysed the applicability and limitations of this method. Additionally, we proposed two approaches to enhance the accuracy of this method: (1) the use of multiple stimulation modalities to include neural correlates of multisensory integration and (2) the analysis of consciousness-mediated modulations of cardiac activity. Our results exceed the current state of knowledge in two dimensions. Clinically, we found that the method can be used in heterogeneous contexts, confirming the utility of machine learning as an automated tool for clinical diagnosis. Scientifically, our results highlight that brain-body interactions might be the fundamental mechanism to support the fusion of multiple senses into a unique percept, leading to the emergence of consciousness. Taken together, this work illustrates the importance of machine learning to individualised clinical assessment, and paves the way for inclusion of bodily functions when quantifying global states of consciousness.
Abstract FR:
Les progrès de la médecine moderne ont entraîné une augmentation du nombre de patients ayant des troubles de la conscience (DOC). Ces derniers, alors qu’ils sont éveillés, ne présentent pas de signes comportementaux de conscience. L’évaluation comportementale précise de ces patients a des implications médico-éthiques et sociales cruciales, car elle conditionne généralement le pronostic. Ainsi, les erreurs diagnostiques liées aux limites intrinsèques des outils comportementaux sont une préoccupation majeure pour les cliniciens et l’électroencéphalographie (EEG) pourrait s’avérer utile. Dans une étude précédente, nous avions introduit l’utilisation de marqueurs extraits de l’EEG et l’apprentissage supervisé pour le diagnostic des patients DOC. Dans ce travail, nous avons développé cet outil et analysé son applicabilité et ses limites. De plus, nous avons proposé deux approches pour améliorer la précision de cette méthode: (1) l’utilisation de multiples modalités de stimulation pour inclure des corrélats neuronaux de l’intégration multisensorielle et (2) l’analyse des modulations de l’activité cardiaque par la conscience. Nos résultats dépassent l’état actuel des connaissances dans deux dimensions. Cliniquement, nous avons constaté que la méthode pouvait être utilisée dans des contextes hétérogènes, confirmant l’utilité de l’apprentissage automatique en tant qu’outil automatisé de diagnostic clinique. Scientifiquement, nos résultats soulignent que les interactions cerveau-corps pourraient être le mécanisme fondamental pour soutenir l’intégration multisensorielle en un percept unique, conduisant à l’émergence de la conscience. Au total, ces travaux illustrent l’importance de l’apprentissage automatique pour une évaluation individualisée de la conscience et ouvrent la voie à l’inclusion des fonctions corporelles pour la quantification des états de conscience.