Détecter les niveaux de douleur des patients via les signaux de leur cerveau

Des chercheurs du MIT et d’ailleurs ont mis au point un système qui mesure le niveau de douleur d’un patient en analysant l’activité cérébrale à partir d’un appareil portable de neuroimagerie. Le système pourrait aider les médecins à diagnostiquer et à traiter la douleur chez les patients inconscients et non communicants, ce qui pourrait réduire le risque de douleur chronique qui peut survenir après une chirurgie.
La gestion de la douleur est un exercice d’équilibre étonnamment difficile et complexe. Un traitement excessif de la douleur, par exemple, risque de rendre les patients dépendants aux analgésiques. Par contre, un traitement insuffisant de la douleur peut entraîner une douleur chronique à long terme et d’autres complications. Aujourd’hui, les médecins mesurent généralement les niveaux de douleur en fonction des rapports de leurs patients sur la façon dont ils se sentent. Mais qu’en est-il des patients qui ne peuvent pas communiquer ce qu’ils ressentent efficacement – ou pas du tout – comme les enfants, les personnes âgées atteintes de démence ou celles qui subissent une chirurgie ?
Dans un article présenté à la Conférence internationale sur l’informatique affective et l’interaction intelligente, les chercheurs décrivent une méthode pour quantifier la douleur chez les patients. Pour ce faire, ils utilisent une nouvelle technique de neuroimagerie appelée spectroscopie fonctionnelle proche infrarouge (fNIRS), dans laquelle des capteurs placés autour de la tête mesurent les concentrations d’hémoglobine oxygénée qui indiquent une activité neuronale.
Pour leurs travaux, les chercheurs n’utilisent que quelques capteurs fNIRS sur le front d’un patient pour mesurer l’activité du cortex préfrontal, qui joue un rôle majeur dans le traitement de la douleur. À l’aide des signaux cérébraux mesurés, les chercheurs ont mis au point des modèles d’apprentissage machine personnalisés pour détecter les profils des taux d’hémoglobine oxygénée associés aux réponses à la douleur. Lorsque les capteurs sont en place, les modèles peuvent détecter si un patient ressent de la douleur avec une précision d’environ 87 %.
« La façon dont nous mesurons la douleur n’a pas changé au fil des ans « , affirme Daniel Lopez-Martinez, étudiant au doctorat au Harvard-MIT Program in Health Sciences and Technology et chercheur au Media Lab du MIT. « Si nous n’avons pas d’indicateurs de l’intensité de la douleur, il devient difficile de traiter la douleur et de mener des essais cliniques. La motivation est de quantifier la douleur d’une manière objective qui ne nécessite pas la coopération du patient, par exemple lorsqu’un patient est inconscient pendant la chirurgie. »
Traditionnellement, les patients en chirurgie reçoivent une anesthésie et des médicaments en fonction de leur âge, de leur poids, de maladies antérieures et d’autres facteurs. S’ils ne bougent pas et que leur rythme cardiaque reste stable, ils sont considérés comme bien. Mais le cerveau peut encore traiter les signaux de douleur pendant qu’ils sont inconscients, ce qui peut entraîner une douleur postopératoire accrue et une douleur chronique à long terme. Le système des chercheurs pourrait fournir aux chirurgiens des informations en temps réel sur les niveaux de douleur d’un patient inconscient, afin qu’ils puissent ajuster l’anesthésie et les doses de médicaments en conséquence pour arrêter ces signaux de douleur.
Rejoindre Lopez-Martinez sur le papier sont : Ke Peng de la Harvard Medical School, du Boston Children’s Hospital et du Centre de recherche du CHUM à Montréal ; Arielle Lee et David Borsook, tous deux de la Harvard Medical School, du Boston Children’s Hospital et du Massachusetts General Hospital ; et Rosalind Picard, professeur en arts médiatiques et en sciences et directrice des recherches en informatique affective au Media Lab.
Se concentrer sur le front
Dans le cadre de leurs travaux, les chercheurs ont adapté le système fNIRS et mis au point de nouvelles techniques d’apprentissage machine pour rendre le système plus précis et plus pratique pour une utilisation clinique.
Pour utiliser le fNIRS, les capteurs sont traditionnellement placés tout autour de la tête du patient. Différentes longueurs d’onde de lumière proche infrarouge brillent à travers le crâne et dans le cerveau. L’hémoglobine oxygénée et l’hémoglobine désoxygénée absorbent les longueurs d’onde différemment, modifiant légèrement leurs signaux. Lorsque les signaux infrarouges sont réfléchis vers les capteurs, les techniques de traitement des signaux utilisent les signaux modifiés pour calculer la quantité de chaque type d’hémoglobine présente dans les différentes régions du cerveau.
Lorsqu’un patient est blessé, les régions du cerveau associées à la douleur verront une forte augmentation de l’hémoglobine oxygénée et une diminution de l’hémoglobine désoxygénée, et ces changements peuvent être détectés par la surveillance du fNIRS. Mais les systèmes fNIRS traditionnels placent des capteurs tout autour de la tête du patient. Cela peut prendre beaucoup de temps à mettre en place, et cela peut être difficile pour les patients qui doivent s’allonger. Ce n’est pas non plus vraiment faisable pour les patients qui subissent une intervention chirurgicale.
Par conséquent, les chercheurs ont adapté le système fNIRS pour mesurer spécifiquement les signaux provenant uniquement du cortex préfrontal. Alors que le traitement de la douleur implique des sorties d’informations provenant de multiples régions du cerveau, des études ont montré que le cortex préfrontal intègre toutes ces informations. Cela signifie qu’ils n’ont besoin de placer des capteurs que sur le front.
Un autre problème des systèmes fNIRS traditionnels est qu’ils captent certains signaux du crâne et de la peau qui contribuent au bruit. Pour y remédier, les chercheurs ont installé des capteurs supplémentaires pour capter et filtrer ces signaux.
Modélisation personnalisée de la douleur
Du côté de l’apprentissage machine, les chercheurs ont formé et testé un modèle sur un ensemble de données sur le traitement de la douleur qu’ils ont recueilli auprès de 43 participants masculins. (Ensuite, ils prévoient recueillir beaucoup plus de données auprès de diverses populations de patients, y compris des patientes – à la fois pendant la chirurgie et lorsqu’elles sont conscientes, et à diverses intensités de douleur – afin de mieux évaluer l’exactitude du système).
Chaque participant portait l’appareil fNIRS des chercheurs et a été exposé au hasard à une sensation inoffensive, puis à une douzaine de chocs au pouce à deux intensités de douleur différentes, mesurées sur une échelle de 1 à 10 : un niveau bas (environ 3/10) ou un niveau élevé (environ 7/10). Ces deux intensités ont été déterminées à l’aide de prétests : Les participants ont déclaré eux-mêmes que le niveau bas était seulement fortement conscient du choc sans douleur, et le niveau élevé comme étant la douleur maximale qu’ils pouvaient tolérer.
Pendant l’entraînement, le modèle a extrait des douzaines de caractéristiques des signaux relatifs à la quantité d’hémoglobine oxygénée et désoxygénée présente, ainsi qu’à la vitesse à laquelle les taux d’hémoglobine oxygénée augmentent. Ces deux mesures – quantité et vitesse – donnent une image plus claire de l’expérience de la douleur d’un patient aux différentes intensités.
Il est important de noter que le modèle génère également automatiquement des sous-modèles « personnalisés » qui extraient des caractéristiques à haute résolution de sous-populations de patients individuels. Traditionnellement, dans l’apprentissage automatique, un modèle apprend des classifications – « douleur » ou « pas de douleur » – basées sur les réponses moyennes de toute la population de patients. Mais cette approche généralisée peut réduire l’exactitude, surtout dans le cas de diverses populations de patients.
Le modèle des chercheurs s’entraîne plutôt sur l’ensemble de la population, mais identifie simultanément les caractéristiques communes aux sous-populations au sein d’un ensemble de données plus vaste. Par exemple, les réponses de la douleur aux deux intensités peuvent différer entre les jeunes et les vieux patients, ou selon le sexe. Cela génère des sous-modèles appris qui se séparent et apprennent, en parallèle, les modèles de leurs sous-populations de patients. En même temps, cependant, ils continuent tous de partager de l’information et des modèles d’apprentissage communs à l’ensemble de la population. Bref, ils tirent parti à la fois d’une information personnalisée à grain fin et d’une information à l’échelle de la population pour mieux se former.
Les modèles personnalisés et un modèle traditionnel ont été évalués en classant la douleur ou l’absence de douleur dans un ensemble aléatoire de signaux cérébraux des participants de l’ensemble de données, où les scores autodéclarés de douleur étaient connus pour chaque participant. Les modèles personnalisés ont surpassé le modèle traditionnel d’environ 20 %, atteignant une précision d’environ 87 %.
« Parce que nous sommes capables de détecter la douleur avec cette grande précision, en utilisant seulement quelques capteurs sur le front, nous avons une base solide pour amener cette technologie dans un cadre clinique réel « , dit Lopez-Martinez.