Méthodes pilotées par les données pour aider la décision clinique pour la Stimulation Cérébrale Profonde pour la maladie de Parkinson

Data driven methods to support decision making in Deep Brain Stimulation for Parkinson’s disease

• 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)

Mots clés

Mots clés contrôlés

Apprentissage automatique

Systèmes d'aide à la décision

Maladie de Parkinson

Stimulation cérébrale profonde

Mots clés libres

Stimulation Cérébrale Profonde (SCP)

Maladie de Parkinson

Apprentissage machine

Système d’aide à la décision clinique

Deep Brain Stimulation (DBS)

Parkinson’s disease

Machine learning

Clinical decision support system

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.

Deep Brain Stimulation (DBS) is a successful and encouraging way of treating abnormal movement diseases, such as Parkinson’s Disease (PD). The success of the surgical procedure depends on many variables, most of which are derivative from a great number of modalities. Various problems gravitate throughout the care of the patient, from its screening, to the procedure itself and the stimulation follow-up, creating an urging need to develop computer assisting tools. In this thesis, we used data-driven methods to design two systems in order to address two concrete clinical applications. Firstly, we propose a tool able to assist clinicians in decision making for selecting patients and stimulation targets. It consists in a data-driven method which is able to predict the clinical outcomes (motor, neuropsychologic, cognitive etc.) of the surgery, from preoperative multimodal biomarkers. Secondarily, we propose to greatly fasten the surgical procedure by automatizing the localization of the target nucleus via a real time treatment of the electrophysiological signal arising from the patient’s brain, from microelectrode recordings (MER). Our method is able to accurately analyse the MER and tell if the electrode lead is inside the STN or not in one second, and does not require any parameter tuning nor calibration to work on a new data source.