Profilage multidimensionnel des personnes âgées à risque pour la maladie d'Alzheimer dans un contexte différentiel

par Alan Le Montagner

Projet de thèse en Traitement du signal et des images

Sous la direction de Jérôme Boudy, Nesma Houmani et de Bernadette Dorizzi.

Thèses en préparation à Paris Saclay , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....) , en partenariat avec Télécom SudParis (France) (laboratoire) , ARMEDIA (equipe de recherche) et de Institut national des télécommunications (Evry) (établissement de préparation de la thèse) depuis le 01-12-2018 .


  • Résumé

    L'utilité de l'EEG pour le diagnostic de la maladie d'Alzheimer (MA) a été démontrée depuis plusieurs décennies dans de nombreuses études. Les marqueurs EEG ont été utilisés avec succès pour étudier les altérations liées à la MA au stade avancé de la maladie mais aussi au stade prodromal (phase clinique). Prédire la MA au stade préclinique est un sujet récent pour la recherche clinique. Cette thèse aborde deux problématiques: premièrement, la prédiction de la MA au stade préclinique, en exploitant la base de données multimodale INSIGHT-preAD, acquise à l'hôpital de la Pitié-Salpetrière; deuxièmement, le diagnostic de la MA dans un cadre différentiel, en exploitant une autre base de données EEG à grande échelle, acquise à l'hôpital Charles-Foix. Dans cette thèse, nous étudierons les prédicteurs de la maladie au stade préclinique, en utilisant les données EEG de personnes avec plainte de mémoire subjective afin d'établir un profil cognitif des personnes âgées à risque pour la MA. Nous identifierons également les marqueurs EEG pour la détection de la MA à un stade précoce dans un contexte de diagnostic différentiel. La corrélation entre les marqueurs EEG et les biomarqueurs cliniques sera également évaluée pour une meilleure caractérisation des profils et une meilleure compréhension de la gravité du trouble cognitif. Les données multimodales à grande échelle qui seront exploitées offrent la possibilité d'étudier le spectre complet des changements de neurodégénérescence cérébrale liés à cette maladie, en adoptant une approche de données massives et le profilage multimodal des patients basé sur les marqueurs EEG au repos.

  • Titre traduit

    Multi-dimensional profiling of elderly at-risk for Alzheimer's Disease in a differential framework


  • Résumé

    The utility of EEG in Alzheimer's disease (AD) research has been demonstrated over several decades in numerous studies. EEG markers have been employed successfully to investigate AD-related alterations in prodromal AD and AD dementia. Preclinical AD is a recent concept and a novel target for clinical research. This thesis tackles two issues: first, AD prediction at the preclinical stage, by exploiting the multimodal INSIGHT-preAD database, acquired at La Pitié-Salpetrière Hospital; second, AD diagnosis in a differential framework, by exploiting another large-scale EEG database, acquired at Charles-Foix Hospital. In this thesis, we will investigate AD predictors at preclinical stage, using EEG data of only Subjective Memory Complainers in order to establish a cognitive profiling of elderly at-risk. We will also identify EEG markers for AD detection at early stages in a differential diagnosis context. The correlation between EEG markers and clinical biomarkers will be also assessed for a better characterization of the retrieved profiles and a better understanding on the severity of the cognitive disorder. The exploited large-scale complementary data offer the opportunity to investigate the full spectrum of the AD neuro-degeneration changes in the brain, using a bigdata approach and multimodal patient profiling based on resting-state EEG markers.