IA et maladies neurologiques rares et neuro-immunes ── 2026-10-14

2 articles dans ce numéro. En tête : Analyse des gènes différentiellement exprimés dans la maladie d'Alzheimer, la maladie de Parkinson et la démence frontotemporale à l'aide d'un algorithme d'apprentissage automatique

Nouveaux articles sur les maladies neurologiques rares et neuro-immunes et l'IA, collectés à partir de flux de revues, de PubMed (recherche dans toutes les revues) et d'OpenAlex (un index public utilisé à la place de Google Scholar), évalués par Jev (une IA qui porte des jugements linguistiques) : recherche originale, IA centrale, lequel des 9 groupes de maladies, traitement ou essais, puis classés par importance jusqu'à une limite quotidienne. Les revues ne sont pas filtrées par facteur d'impact ; chaque article indique l'équivalent du facteur d'impact de sa revue (citation moyenne sur deux ans d'OpenAlex) et la date de cette valeur. Chaque entrée affiche le résumé original complet.

Lecture par maladie : Recherche fondamentale（0） · SLA（0） · Parkinson（1） · Neurodégénérescence héréditaire（0） · Neuromusculaire（0） · Sclérose en plaques（0） · NMOSD/MOGAD（0） · Myasthénie grave（1） · Encéphalite auto-immune/CIDP/SGB（0）

Recherche sur la neurodégénérescence et la neuroimmunologie, et IA

Aucun nouvel article éligible pour ce numéro.

SLA : traitement, essais cliniques et IA

Aucun nouvel article éligible pour ce numéro.

Maladie de Parkinson et syndromes parkinsoniens : traitement, essais cliniques et IA

Analyse des gènes différentiellement exprimés dans la maladie d'Alzheimer, la maladie de Parkinson et la démence frontotemporale à l'aide d'un algorithme d'apprentissage automatique
CRC Press eBooks · 2026-10-12 · Preuves : préclinique (analyse in silico de jeux de données publics d'expression génique)
Résumé
Les maladies cérébrales telles que la démence fronto-temporale (DFT), la maladie de Parkinson (MP) et la maladie d'Alzheimer (MA) sont des maladies neurodégénératives qui entraînent une neuroinflammation et un mauvais repliement des protéines. Cependant, le diagnostic de ces maladies reste difficile en raison de la complexité et de la variabilité des données. La présente étude identifie des signatures moléculaires en appliquant des techniques d'apprentissage automatique (ML) à des jeux de données de puces à ADN sélectionnés. Les jeux de données sont issus du National Center for Biotechnology Information (NCBI) Gene Expression Omnibus (GEO). À partir d'une analyse sous R sur GEO (GEO2R) ainsi que du package Limma, les gènes exprimés (|logFC| ≥ 0.5 ; adj.P.Val ≤ 0.05) ont été obtenus. Un modèle de ML basé sur une machine à vecteurs de support (SVM) a été développé en entraînant et en validant ces gènes. Le SVM a montré une précision et un rappel très élevés. Les cartes thermiques ont permis de s'assurer de la qualité des données. Ce travail souligne la capacité des biomarqueurs statistiques et de l'apprentissage collectif à distinguer les profils d'expression génique propres à chaque maladie, permettant ainsi le développement de diagnostics fondés sur les gènes. À l'avenir, afin d'améliorer l'interprétabilité et les performances du modèle, des données génomiques structurelles pourront être intégrées. Cela aide à identifier les gènes anormaux en vue de conclusions ultérieures.
Facteur d'impact de la revue : inconnu (aucune correspondance trouvée)
Référence : Manohar Mathkunti N, Rangaswamy S, Varsha VP, Bhat S. Analyse des gènes différentiellement exprimés dans les maladies d'Alzheimer, de Parkinson et la démence frontotemporale à l'aide d'un algorithme d'apprentissage automatique. Interdisciplinary Approaches to Sustainable Research and Development in Science, Technology, and Socio-Economic Studies. 2026 Oct 12 [Publication en ligne avant impression]. doi:10.1201/9781042035762-123.
Vérifié : Résumé uniquement

Voir les 1 articles sur la maladie de Parkinson →

Maladies neurodégénératives héréditaires : traitement, essais et IA

Aucun nouvel article éligible pour ce numéro.

Maladies neuromusculaires (dystrophie musculaire, amyotrophie spinale) : traitements, essais cliniques et IA

Aucun nouvel article éligible pour ce numéro.

Sclérose en plaques : traitement, essais et IA

Aucun nouvel article éligible pour ce numéro.

NMOSD et MOGAD : traitement, essais et IA

Aucun nouvel article éligible pour ce numéro.

Myasthénie grave : traitement, essais et IA

Modèle d'apprentissage automatique explicable pour l'évaluation personnalisée du besoin de soins intensifs chez les patients atteints de myasthénie grave, fondé sur le phénotype et les marqueurs inflammatoires.
QJM : revue mensuelle de l'Association of Physicians · 2026-10-12 · Niveau de preuve : étude observationnelle rétrospective
Résumé
CONTEXTE : L'identification précoce des exacerbations sévères de la myasthénie grave (MG) nécessitant une admission en unité de soins intensifs (USI) reste difficile en raison de la grande hétérogénéité de la maladie. Les modèles existants intègrent rarement une stratification par phénotype, ce qui limite leur interprétabilité et leur utilité clinique. OBJECTIF : Cette étude visait à développer un modèle d'apprentissage automatique (ML) explicable afin d'évaluer les facteurs de risque spécifiques à chaque phénotype et de prédire l'admission en USI des patients atteints de MG. CONCEPTION ET MÉTHODES : Cette étude rétrospective a inclus 319 patients hospitalisés atteints de MG. Nous avons utilisé des variables cliniques et des marqueurs d'inflammation systémique pour la modélisation par ML. Les sous-groupes ont été prédéfinis selon la présence d'un thymome et l'âge au début de la maladie. Le critère de jugement principal était la nécessité de soins intensifs durant l'hospitalisation. Les performances du modèle ont été évaluées. La méthode SHapley Additive exPlanations (SHAP) a été utilisée pour l'interprétation des variables globales et individuelles. RÉSULTATS : Sur 319 admissions, 33 (10,3 %) ont nécessité des soins intensifs. Quatre modèles de ML ont été entraînés avec une validation imbriquée en 3 plis. eXtreme Gradient Boosting a obtenu les meilleures performances (AUC : 0.94). SHAP a classé la classification clinique MGFA, l'infection survenue durant l'admission, l'indice de masse corporelle et les indices inflammatoires comme principaux prédicteurs. Les analyses en sous-groupes ont révélé des profils spécifiques à chaque phénotype, notamment des directions SHAP opposées pour les marqueurs inflammatoires entre les groupes avec et sans thymome, et des classements distincts entre les groupes d'âge au début de la maladie. Les explications personnalisées basées sur SHAP ont révélé des variations propres à chaque patient dans le classement des risques et la directionnalité des variables prédictives. Un calculateur en ligne a été développé pour permettre l'utilisation du modèle en temps réel en pratique clinique, offrant potentiellement une stratification du risque. CONCLUSIONS : Un cadre d'apprentissage automatique explicable intégrant des caractéristiques cliniques et des indices d'inflammation systémique prédit de manière fiable l'admission en USI dans la MG et révèle des profils de risque spécifiques à chaque phénotype, permettant une stratification personnalisée du risque dans la prise en charge de la MG.
Équivalent du facteur d'impact de la revue : 0.5 (citations moyennes sur 2 ans d'OpenAlex, valeur au 2026-10-13, récupérée le 2026-10-14 ; il ne s'agit pas du facteur d'impact officiel de Clarivate)
Référence : Chang CC, Lin KY, Yeh JH, Chiu HC, Liu TC, Lu CJ. Modèle d'apprentissage automatique explicable pour l'évaluation personnalisée du besoin de soins intensifs chez les patients atteints de myasthénie grave, fondé sur le phénotype et les marqueurs inflammatoires. QJM: An International Journal of Medicine. 2026 Oct 12 [Epub avant impression]. doi:10.1093/qjmed/hcag289.
Vérifié : Résumé uniquement

Voir les 1 articles sur la myasthénie grave →

Encéphalite auto-immune, CIDP et syndrome de Guillain-Barré : traitement, essais et IA

Aucun nouvel article éligible pour ce numéro.

Comment les articles sont choisis : (1) collecte à partir des flux de revues, de PubMed (toutes revues) et d'OpenAlex ; (2) les éditoriaux, les correctifs et les articles sans termes liés au domaine ou à l'IA sont écartés ; (3) Jev évalue quatre points (recherche originale ≥ 0,6, IA ≥ 0,6, l'un des 9 groupes de maladies, traitement/essais ≥ 0,5 pour les groupes de maladies) ; (4) classement selon l'importance attribuée par Jev, dans la limite d'un quota quotidien (deux par groupe) ; (5) l'équivalent du facteur d'impact n'est affiché que si Jev confirme la correspondance de la revue. Les articles que Jev ne peut pas évaluer ne sont pas listés.