Méthodes pilotées par les données pour aider la décision clinique pour la Stimulation Cérébrale Profonde pour la maladie de Parkinson
Auteur / Autrice : | Maxime Péralta |
Direction : | Pierre Jannin, Claire Haegelen |
Type : | Thèse de doctorat |
Discipline(s) : | Signal, Image, Vision |
Date : | Soutenance le 03/11/2020 |
Etablissement(s) : | Rennes 1 |
Ecole(s) doctorale(s) : | MATHSTIC |
Partenaire(s) de recherche : | Laboratoire : Laboratoire Traitement du Signal et de l'Image (1969-.... ; Rennes) |
Résumé
La Stimulation Cérébrale Profonde (SCP) est une thérapie efficace pour traiter les maladies des mouvements anormaux, telle que la Maladie de Parkinson (MP). Le succès de la SCP dépend de nombreuses variables issues d’un grand nombre de modalités de données. Divers problèmes sont rencontrés tout au long de la prise en charge du patient, de sa sélection à la procédure elle-même et au suivi post-opératoire, dénotant un besoin urgent de développer des outils d’assistance informatique. Dans cette thèse, nous proposons deux systèmes, basés sur l’apprentissage machine, afin de résoudre deux problèmes cliniques concrets. Premièrement, nous proposons un outil capable d’aider les cliniciens dans le choix de sélection des patients et des cibles de stimulation. Notre méthode est capable de prédire les résultats cliniques (moteurs, neuropsychologiques, cognitifs, etc.) de la SCP à partir de biomarqueurs multimodaux préopératoires. Deuxièmement, nous proposons un outil permettant d’accélérer grandement la chirurgie en assistant la localisation du noyau cible via un traitement en temps réel du signal électrophysiologique provenant du cerveau du patient, à partir d’enregistrements par micro-électrodes d’une seconde seulement.