Deux nouveaux sous-types de sclérose en plaques ont été découverts grâce à l’utilisation de l’intelligence artificielle, offrant une meilleure compréhension des mécanismes biologiques derrière cette maladie. Cette avancée pourrait transformer les stratégies de traitement et le suivi des patients.
Images de résonance magnétique cérébrale analysées avec des outils d’intelligence artificielle dans l’étude publiée sur Brain / Crédit: MS Society
Deux nouveaux sous-types de sclérose en plaques ont été identifiés grâce à l’utilisation de l’intelligence artificielle, permettant une compréhension plus précise des mécanismes biologiques qui influencent la progression de la maladie. Cette découverte provient d’une étude parue dans la revue Brain, réalisée par l’University College London (UCL) et Queen Square Analytics (QSA) à Londres.
Actuellement, la sclérose en plaques est principalement classée en formes récidivante-rémittente, secondairement progressive et principalement progressive, selon l’évolution clinique. Toutefois, les auteurs de l’étude soulignent que cette classification ne reflète pas toujours la biologie sous-jacente de la maladie. Cette incohérence peut compliquer la prévision de l’évolution individuelle des patients et le choix du traitement le plus adapté.
En utilisant un modèle d’apprentissage automatique appliqué à des données de résonance magnétique cérébrale et d’analyses sanguines, les chercheurs ont pu différencier deux sous-types biologiques associés à des motifs de dommages et de progression distincts.
Selon un des chercheurs, cet approche “permet de mieux comprendre à quelle phase de la maladie se trouve une personne et qui pourrait nécessiter un suivi rapproché ou un traitement précoce et spécifique.”
L’impact de cette découverte touche principalement la recherche clinique : identifier rapidement différents modèles biologiques pourrait favoriser l’élaboration de stratégies thérapeutiques mieux ciblées, adaptées aux processus qui influencent la maladie.
Les deux nouveaux sous-types de sclérose en plaques identifiés grâce à l’IA
Dans l’étude, les chercheurs ont appliqué des outils d’intelligence artificielle à des données déjà disponibles provenant de 634 personnes atteintes de sclérose en plaques récidivante-rémittente ou secondairement progressive. L’élément clé fut la combinaison d’images de résonance magnétique et des niveaux de chaîne légère des neurofilaments dans le sérum (sNfL), une protéine libérée dans le sang lors du dommage aux fibres nerveuses.
L’analyse intégrée de ces données a permis d’identifier deux sous-types distincts, qui ne coïncident pas nécessairement avec les formes cliniques :
- Dans le premier sous-type, les patients avaient des niveaux élevés de sNfL même aux stades précoces de la maladie. Les résonances magnétiques montraient des dommages évidents dans le corps calleux et l’apparition plus rapide de nouvelles lésions, suggérant une progression plus agressive dès le début ;
- Dans le second sous-type, les niveaux initiaux de sNfL étaient plus bas. Les images cérébrales indiquaient un rétrécissement progressif dans des zones comme le cortex limbique et la matière grise profonde, alors que l’augmentation des neurofilaments dans le sang se produisait plus tard, indiquant une progression plus lente et initialement silencieuse.
Pourquoi cette découverte est précieuse
La sclérose en plaques est une maladie complexe, régie par de multiples processus biologiques. Selon les auteurs de la nouvelle étude, réussir à distinguer différents sous-types sur la base de données objectives pourrait améliorer la description de la maladie en comparaison avec les seules manifestations cliniques.
Comme le souligne une représentante de la MS Society, cette ligne de recherche s’inscrit dans un cadre plus large visant à dépasse des définitions rigides pour adopter des classifications basées sur la biologie de la maladie, dans le but d’identifier rapidement les individus à risquemeux de progression et de leur offrir un traitement plus personnalisé.
Les même chercheurs reconnaissent que les applications cliniques nécessiteront des études supplémentaires : l’accès aux biomarqueurs sanguins et la standardisation des résonances magnétiques ne sont pas encore homogènes. Malgré ces limits, le travail représente une avancée significative vers un approche plus précise, conforme aux recommandations internationales sur la nécessité d’améliorer la compréhension des mécanismes biologiques des maladies neurologiques, comme le souligne aussi les programmes de santé cérébrale de l’Organisation Mondiale de la Santé.