• Langue : Français
• Discipline : Médecine. Neurologie
• Identifiant : 2019LILUM137
• Type de thèse : Doctorat de médecine
• Date de soutenance : 03/06/2019

Résumé en langue originale

Contexte : L’incidence des troubles cognitifs augmente avec le vieillissement de la population. Malgré sa facilité de réalisation et son association avec les biomarqueurs couramment utilisés dans le diagnostic, l’EEG n’est actuellement pas préconisé systématiquement dans leur bilan initial. Méthodes : Cette étude rétrospective avait pour buts d’identifier les variables d’EEG de repos associées aux différentes classes de troubles cognitifs et d’évaluer leur efficacité dans la classification automatisée des patients. 6 groupes de malades (n=266) suivis au CMRR du CHU de Lille et 1 groupe de témoins (n=84) ont été étudiés. 41 sujets présentaient une Maladie d’Alzheimer vasculaire (MA+V), 50 une Maladie d’Alzheimer non vasculaire (MA-V), 29 une Maladie à Corps de Lewy (MCL), 72 des troubles cognitifs majeurs vasculaires (TCV), 32 des troubles cognitifs légers vasculaires (TCL+V) et 42 des troubles cognitifs légers non vasculaires (TCL-V). Les EEG ont été analysés visuellement selon un score dédié aux troubles cognitifs (GTE) et quantitativement par comparaison des puissances relatives globales moyennes et de la variabilité ALPHA-THETA pariétale. Des méthodes de machine learning ont été utilisées pour classer les patients selon les variables EEG et de score MMS. Résultats : Le GTE était plus élevé parmi les malades que dans le groupe témoin (p<0,0001), dans les MA-V que dans les TCL-V (p=0,000), dans les MA+V que dans les TCL+V (p<0,0001), dans les MCL que dans les TCL-V et dans les TCV que dans les TCL-V (p=0,000). La classification des patients selon le GTE et le MMS permettait un classement correct de 37% des sujets. L’analyse quantifiée révélait une augmentation des puissances DELTA et THETA et une diminution des puissances ALPHA et BETA parmi les troubles cognitifs majeurs comparativement aux témoins. La variabilité du tracé était supérieure dans les groupes de malades que chez les témoins. Elle est plus élevée chez les MA-V que chez les patients MCL (p=0,003) et TCV (p=0,000). La classification automatisée des malades a permis lors de la phase d’apprentissage de classer correctement 100% des patients et 30% lors de la phase de validation (80% des MA-V, 11% des MA+V, 8% des TCL-V, 11% des TCL+V, 13% des MCL et 43% des TCV). Conclusion : Ces résultats confirment l’intérêt de l’EEG dans l’évaluation de la sévérité et dans l’orientation étiologique des troubles cognitifs. L’usage d’algorithmes de classification automatisée des patients pourrait participer au diagnostic et au suivi de ces pathologies.

Résumé traduit

...