Exploration des caractéristiques de co-altération neuro-imagerie-génétique des hallucinations auditives verbales chez différents sujets pour l’établissement d’un modèle prédictif
Les hallucinations auditives verbales (HAV) se définissent comme la perception de voix en l’absence de tout stimulus auditif externe. Ces hallucinations, souvent profondément personnelles, provoquent une détresse significative chez les personnes qui les subissent. Les HAV sont prévalentes dans un large éventail de troubles mentaux et neurologiques, incluant la schizophrénie, le trouble bipolaire (TB), le trouble dépressif majeur (TDM), le trouble de stress post-traumatique (TSPT) et le trouble de la personnalité borderline (TPB). Elles sont également rapportées chez des individus sains, bien que moins fréquemment. Les patients schizophrènes sont les plus touchés, avec plus de 70 % d’entre eux expérimentant des HAV. En revanche, la prévalence dans d’autres troubles varie de 46 % dans le TPB, 11,3 % à 62,8 % dans le TB, 5,4 % à 40,6 % dans le TDM, et 4,2 % dans la population générale.
Cette prévalence étendue souligne la nécessité d’un diagnostic précoce et précis pour atténuer les risques de diagnostic erroné et de traitement inadapté, susceptibles d’aggraver l’état des patients et d’entraîner des effets secondaires sévères. Les HAV sont associées à des risques accrus de violence, de comportements suicidaires et d’automutilation, mettant en lumière l’urgence de stratégies diagnostiques et thérapeutiques efficaces.
Les recherches actuelles insistent sur l’importance d’explorer les caractéristiques pathologiques des HAV via des approches multidisciplinaires, combinant neuro-imagerie et génétique. Étant donné la nature spécifiquement humaine du langage et de la parole, les HAV ne peuvent être étudiées sur des modèles animaux, nécessitant des recherches sur des individus vivants. Les avancées récentes en neurosciences ont permis l’exploration des caractéristiques des HAV à travers des techniques telles que l’imagerie par résonance magnétique fonctionnelle (IRMf), l’électroencéphalographie (EEG) et l’imagerie du tenseur de diffusion (ITD). Ces méthodes ont révélé une activité anormale dans des réseaux cérébraux spécifiques, tels que le réseau de saillance, le réseau du mode par défaut et les réseaux de traitement du langage, chez les patients souffrant de HAV.
Les études génétiques ont également identifié des gènes spécifiques associés aux HAV, tels que FOXP2, COMT et NRG1, influençant la susceptibilité et la réponse aux traitements. L’intégration des données de neuro-imagerie et génétiques offre une compréhension holistique des caractéristiques pathologiques intrinsèques des HAV, proposant des biomarqueurs potentiels pour un diagnostic précoce et des cibles thérapeutiques.
Le développement de modèles prédictifs utilisant des techniques d’apprentissage automatique représente une approche prometteuse pour améliorer le diagnostic et le traitement des HAV. Des méthodes de reconnaissance de motifs ont été appliquées avec succès pour établir des modèles prédictifs dans diverses maladies, dont la schizophrénie. Par exemple, une étude de Yin et al. a atteint une spécificité de 73,9 % dans la reconnaissance des motifs de HAV chez des patients schizophrènes. Ces résultats soutiennent l’utilisation de l’apprentissage automatique pour développer des modèles prédictifs des HAV à travers différents troubles mentaux.
La proposition méthodologique implique deux axes principaux. Premièrement, l’analyse de sujets présentant un premier épisode non traité de schizophrénie, TB, TSPT, TPB ou TDM, ainsi que d’individus sains expérimentant un premier épisode de HAV. Le séquençage à haut débit et les techniques de connectome humain seront utilisés pour identifier des caractéristiques communes et spécifiques de co-altération neuro-imagerie-génétique des HAV. Ces caractéristiques guideront l’élaboration de stratégies thérapeutiques ciblées, adaptées aux spécificités de chaque trouble.
Deuxièmement, sur la base des données acquises, des techniques d’apprentissage automatique seront employées pour établir des modèles prédictifs de diagnostic précoce et de réponse thérapeutique. Ces modèles intégreront les caractéristiques de co-altération neuro-imagerie-génétique, les caractéristiques sociodémographiques et les résultats thérapeutiques, fournissant un outil complet aux cliniciens. Les modifications dynamiques des caractéristiques neuro-imagerie-génétiques durant la thérapie seront également examinées pour identifier des cibles thérapeutiques spécifiques et optimiser les stratégies de traitement.
Cette recherche est novatrice dans son hypothèse que des caractéristiques pathologiques communes et spécifiques des HAV existent à travers différents troubles mentaux et individus sains. Ces caractéristiques pourraient constituer un indice stable et précis pour un diagnostic précoce et une prédiction thérapeutique. Le concept de « pont des caractéristiques pathologiques des HAV » suggère que les anomalies cérébrales servent de lien entre les caractéristiques génétiques et les manifestations cliniques, régulées par des gènes spécifiques et associées aux symptômes de HAV. Ce pont pourrait être détecté via les technologies actuelles et servir de biomarqueur visuel reflétant les relations entre génétique, neuropathologie et clinique.
Une étude de cohorte de grande envergure, avec un suivi de deux ans, est proposée pour valider le modèle prédictif. Cette étude combinera apprentissage automatique, génomique et connectome cérébral, en considérant les caractéristiques sociodémographiques et les résultats thérapeutiques des sujets. L’analyse des altérations dynamiques des HAV durant la thérapie permettra d’identifier des cibles thérapeutiques spécifiques et de développer des stratégies précises.
En conclusion, l’intégration de données neuro-imagerie et génétiques, combinée à l’apprentissage automatique, offre une voie prometteuse pour le diagnostic précoce et le traitement des HAV. Cette recherche vise à identifier des caractéristiques communes et spécifiques de co-altération neuro-imagerie-génétique des HAV, établir des modèles prédictifs et optimiser les stratégies thérapeutiques. Cette approche pourrait significativement améliorer la prise en charge des HAV, réduisant les risques associés et améliorant la qualité de vie des patients.
doi.org/10.1097/CM9.0000000000000385