Saison 1 - Épisode 10

À l'aide d'un mini EEG de deux voies, les auteurs de cette étude montrent qu'il est possible de détecter les absences épileptiques avec une sensibilité et une spécificité très élevée

On vous laisse écouter !

L’étude

C'est le travail d'une équipe de Louvain, en Belgique, qui a consisté à enregistrer l'activité électrique pendant 24 h de douze personnes qui souffraient d'une épilepsie avec absences. Douze personnes, dont des enfants, à partir de l'âge de huit ans jusqu'à des adultes de 50 ans. Les enfants ont porté d'une part un EGG classique avec 25 électrodes, qui couvre l'entièreté du scalp pendant 24 h, mais aussi un petit dispositif qui est présenté ici avec deux électrodes placées juste derrière les oreilles et reliées à un petit amplificateur et un enregistreur qui va permettre de recueillir aussi le signal.

Selon les auteurs, c'est que ce petit dispositif recueille ce type de signal ici, qui est en fait une décharge de pointe onde sur les deux voies rythmiques durant quelques secondes, et qui correspond en fait au pattern, EGG à l'aspect habituel de ce plan électrique, des crises épileptiques de type absence. Alors bien sûr, il peut y avoir des faux positifs, c'est un exemple ici d'un artefact de mâchonnement qui réalise une activité rythmique qui a pu être interprétée comme étant faussement une absence ou inversement des faux négatifs.

Ou en fait, l'absence est visible ici, mais elle est cachée derrière les artefacts d'origine musculaire. Donc avec un niveau de fiabilité qui n'est jamais parfait. En tout cas, une bonne détection des absences présentées par ces sujets au cours des 24 h d'enregistrement est bien corrélée à l'aspect recueilli par l'électroencéphalographie EEG classique.

Le résultat principal de cette étude

Alors, d'une part, l'analyse va être faite par les neurologues, neurophysiologiste qui vont analyser visuellement l'EEG et d'autre part, le traitement va être aussi être confié à un software, un algorithme de machine Learning qui va détecter qui va apprendre à détecter les absences avec un très haut niveau de fiabilité.

À tel point que lorsqu'on compare l'objet des tableaux que vous avez ici à droite la détection par les sujets eux-mêmes de leur absence, donc ils vont rapporter le fait qu'ils ont eu telle ou telle absence à tel moment de la journée.

Vous voyez qu'en fonction de la durée de l'absence, les absences qui ont été détectées en bleu foncé sont bien moins nombreuses que celles qui sont détectées à l'aide de l'électroencéphalogramme, y compris au minimum. Et ceci est valable pour les absences de durée brèves comme pour les absences de durée prolongée.

Conclusion

Les auteurs font donc l'observation que leur dispositif permet de détecter de manière très fiable des absences, y compris non détectées par les sujets eux-mêmes. Et lorsqu'on mesure la sensibilité et la spécificité de leur algorithme sur ce tracé, on voit qu'elle est très élevée de 0.98 pour la sensibilité, 0.91 pour la facilité, alors que bien sûr le self reporting, le rapport par le sujet lui-même a une spécificité qui est très forte, très élevée, mais une sensibilité qui est très faible, c'est-à-dire un grand nombre de faux négatifs, de défauts de détection.

D'autre part, l'utilisation de l'algorithme permet de réduire le temps de lecture de l'EEG qui passe d’une heure à deux heures pour un sujet humain. Neurologue, neurophysiologiste expérimenté à 5 à 10 minutes pour l'algorithme.

*Ce texte est une retranscription du podcast ci-dessus, il est possible que quelques erreurs de lexique, formulations, etc... se soient glissées dans le texte, référez-vous plutôt à la vidéo du podcast.

Retrouvez tous les podcasts sur nos réseaux sociaux