Étude: Les horloges cérébrales capturent la diversité et les disparités en matière de vieillissement et de démence au sein de populations géographiquement diversesCrédit photo : Lightspring / Shutterstock
Arrière-plan
Le cerveau subit des changements dynamiques avec l’âge, qui sont essentiels à la compréhension, en particulier en ce qui concerne les disparités et les troubles cérébraux comme la maladie d’Alzheimer. Les modèles d’âge cérébral, qui mesurent la santé cérébrale à travers divers facteurs, ont le potentiel de capturer la diversité du vieillissement, mais ont été sous-explorés dans les populations sous-représentées comme celles de l’ALC. Ces populations sont confrontées à d’importantes disparités socioéconomiques et de santé, qui peuvent avoir un impact sur le vieillissement cérébral. La recherche sur le vieillissement cérébral s’est principalement concentrée sur les populations du Nord global et utilise souvent l’imagerie par résonance magnétique structurelle (IRM), négligeant la dynamique du réseau cérébral capturée par l’IRM fonctionnelle (IRMf) et les électroencéphalogrammes (EEG). Si l’EEG est un outil plus accessible dans les milieux aux ressources limitées, son utilisation dans les études à grande échelle est limitée par les défis de la normalisation et de l’intégration avec l’IRMf. Il est nécessaire de développer des marqueurs d’âge cérébral évolutifs utilisant l’apprentissage profond qui intègrent ces techniques et tiennent compte de la diversité démographique, en particulier dans les populations sous-représentées. Par conséquent, les chercheurs de la présente étude ont utilisé des réseaux convolutionnels graphiques pour prédire les écarts d’âge cérébral et examiner l’impact de la diversité, y compris les facteurs géographiques, sociodémographiques et de santé, sur le vieillissement cérébral.
À propos de l’étude
L’étude a analysé les ensembles de données IRMf et EEG à l’état de repos de 5 306 participants dans 15 pays des régions LAC et hors LAC. Les données IRMf ont été collectées auprès de 2 953 participants en Argentine, au Chili, en Colombie, au Mexique, au Pérou, aux États-Unis d’Amérique, en Chine et au Japon, tandis que les données EEG ont été collectées auprès de 2 353 participants en Argentine, en Grèce, au Brésil, au Chili, en Colombie, à Cuba, en Irlande, en Italie, en Turquie et au Royaume-Uni. Les participants comprenaient 3 509 témoins sains et 1 808 atteints de troubles neurocognitifs, à savoir une déficience cognitive légère (MCI), une maladie d’Alzheimer ou une démence frontotemporale variante comportementale (bvFTD). Les données ont subi un prétraitement rigoureux, y compris la normalisation, la correction du bruit et l’estimation de l’espace source. Les interactions d’ordre élevé entre les régions cérébrales ont été évaluées, les données étant converties en graphiques pour analyse via des réseaux de convolution de graphes (GCN). Une approche impliquant 80 % de validation croisée et 20 % de tests de maintien a été utilisée. Des techniques d’augmentation des données ont été utilisées et les performances prédictives du modèle ont été évaluées à l’aide de la qualité de l’ajustement (R²) et de l’erreur quadratique moyenne (rmse). Des modèles de renforcement du gradient ont été utilisés pour explorer l’influence des facteurs d’exposome sur les écarts d’âge cérébral. Des analyses statistiques approfondies ont été menées pour valider les résultats, notamment des tests de permutation et de bootstrapping. La qualité des données a été soigneusement évaluée et l’étude a respecté des directives éthiques strictes.
Les ensembles de données comprenaient des témoins sains LAC et non LAC (HC, total n = 3 509) et des participants atteints de la maladie d’Alzheimer (MA, total n = 828), de bvFTD (total n = 463) et de MCI (total n = 517). L’ensemble de données IRMf comprenait 2 953 participants LAC (Argentine, Chili, Colombie, Mexique et Pérou) ainsi que non LAC (États-Unis, Chine et Japon). L’ensemble de données EEG concernait 2 353 participants d’Argentine, du Brésil, du Chili, de Colombie et de Cuba (LAC) ainsi que de Grèce, d’Irlande, d’Italie, de Turquie et du Royaume-Uni (non LAC). Les signaux IRMf et EEG bruts ont été prétraités par filtrage et suppression d’artefacts et les signaux EEG ont été normalisés pour les projeter dans l’espace source. Une parcellisation utilisant l’atlas d’étiquetage anatomique automatisé (AAL) pour les signaux IRMf et EEG a été réalisée pour construire les nœuds à partir desquels nous avons calculé les interactions d’ordre élevé en utilisant la métrique d’information Ω. Une matrice de connectivité a été obtenue pour les deux modalités, qui a ensuite été représentée par des graphiques. L’augmentation des données n’a été effectuée que dans l’ensemble de données de test. Les graphiques ont été utilisés comme entrée pour un réseau d’apprentissage profond convolutionnel graphique (architecture illustrée dans la dernière ligne), avec des modèles séparés pour l’EEG et l’IRMf. Enfin, la prédiction de l’âge a été obtenue et les performances ont été mesurées en comparant l’âge prédit et l’âge chronologique. Cette figure a été partiellement créée avec BioRender.com (appareils IRMf et EEG).
Résultats et discussion
Les modèles de vieillissement cérébral ont montré des performances prédictives adéquates. Les principales caractéristiques prédictives régionales du cerveau étaient centrées sur les réseaux fronto-postérieurs, notamment les nœuds du gyrus précentral, du gyrus occipital moyen et des gyri frontaux supérieur et moyen. Les nœuds clés supplémentaires pour le modèle IRMf étaient les gyri frontaux inférieurs, les gyri cingulaires antérieur et médian et les gyri paracingulaires. Pour le modèle EEG, le gyrus occipital inférieur et les gyri pariétaux supérieur et inférieur étaient également significatifs.
En particulier, lors de l’analyse des ensembles de données non LAC, les modèles ont montré des schémas similaires dans les caractéristiques prédictives, mais avec un ajustement légèrement réduit. En revanche, les modèles entraînés sur des ensembles de données LAC ont révélé un ajustement modéré et des valeurs rmse accrues, mettant en évidence des biais en faveur de la prédiction d’âges cérébraux plus élevés, en particulier pour les participantes. De plus, l’examen des effets interrégionaux a démontré que l’entraînement avec des données non LAC et les tests sur LAC ont entraîné des erreurs directionnelles moyennes (MDE) positives, indiquant des biais en faveur d’âges cérébraux plus élevés. De plus, on a observé que les écarts d’âge cérébral étaient plus larges dans les populations cliniques, suggérant un vieillissement accéléré dans des conditions comme le MCI et la MA par rapport aux témoins sains.
Ces résultats mettent en évidence la complexité du vieillissement cérébral dans différentes populations. Ils soulignent l’importance de prendre en compte les facteurs de diversité dans les évaluations neurocognitives. L’étude est renforcée par l’utilisation de divers ensembles de données provenant de plusieurs pays, l’intégration de données d’IRMf et d’EEG et le développement de mesures de santé cérébrale évolutives et personnalisées applicables à des populations diverses et sous-représentées. Cependant, l’étude est limitée par le manque de données cliniques d’EEG provenant de régions hors LAC, le recours à une mesure unimodale de l’écart d’âge cérébral, des données régionales limitées et l’absence de facteurs démographiques au niveau individuel comme l’identité de genre, le statut socioéconomique et l’origine ethnique.
Conclusion
En conclusion, l’étude démontre que les modèles d’horloge cérébrale sont sensibles à divers facteurs tels que la géographie, le sexe, les influences macrosociales et les maladies, malgré la variabilité des données. En exploitant l’apprentissage profond sur les interactions cérébrales d’ordre élevé à travers l’IRMf et l’EEG, la recherche ouvre la voie à des outils inclusifs et accessibles pour évaluer les disparités dans le vieillissement cérébral. Elle pourrait potentiellement aider à l’identification et à la stadification des troubles neurocognitifs comme le MCI, la MA et la bvFTD et soutenir les approches de médecine personnalisée à l’échelle mondiale.
2024-08-28 07:47:00
1724821772
#Lapprentissage #profond #révèle #des #disparités #dans #vieillissement #cérébral #Amérique #latine #dans #les #Caraïbes
