L’impact de l’échographie focalisée guidée par résonance magnétique (MRgFUS) sur le tremblement vocal est largement sous-exploré. Les auteurs ont utilisé l’intelligence artificielle (IA) pour étudier les changements du tremblement vocal chez les patients TE subissant une thalamotomie MRgFUS. Sachent que le Vim-MRgFUS améliore efficacement les tremblements des membres supérieurs, l’impact de cette procédure sur les tremblements affectant d’autres zones du corps, y compris les tremblements vocaux, n’a été étudié que partiellement. Des études préliminaires ont montré des résultats contrastés, certaines études indiquant que Vim-MRgFUS pourrait améliorer le tremblement vocal, tandis que d’autres ont montré une détérioration de la voix après la procédure. Faire progresser dans ce domaine et clarifier les changements de voix liés à Vim-MRgFUS dans le TE nécessite donc des approches technologiques innovantes.
Méthode
L’utilisation de l’IA s’est avéré être un outil indispensable non invasif et prometteur pour analyser les altérations vocales des patients. Quatre-vingt-trois patients TE (âge moyen – 70,0–1,0 an ; mâles 75.9%), dont 44 patients TE (53%) présentant un tremblement vocal cliniquement manifeste (TEvt+) et 39 patients TEvt- ont été évalués avant et 24 heures après MRgFUS ciblant le noyau intermédiaire ventral (Vim). Dans cette étude, des enregistrements vocaux ont été collectés pour calculer les courbes de caractéristiques de fonctionnement du récepteur (ROC)*, les rapports de vraisemblance (LR)** pour les corrélations clinique-instrumentales, ainsi que le pic d’activité oscillatoire au moyen d’algorithmes d’intelligence artificielle.
Résultats
Il a d’abord été constaté et vérifié que le Vim-MRgFUS améliorait le tremblement de la voix des patients TEvt+. En effet, le Vim-MRgFUS a réduit le pic d’activité oscillatoire de 4 à 6 Hz chez ces derniers. De même, l’IA discriminait et contrôlait objectivement avec une grande précision les voix TE avant et après Vim-MRgFUS, l’analyse indiquant des corrélations positives entre les LR et les scores cliniques du tremblement de la voix.
Discussion
Aucune étude n’avait encore étudié l’impact de Vim-MRgFUS sur la production vocale chez un large groupe de patients TE en utilisant une analyse vocale basée sur l’apprentissage automatique. De plus, aucune n’avait évalué les corrélations clinique-instrumentales chez les patients TE après MRgFUS afin de clarifier l’impact clinique des procédures neuroablatives sur le tremblement de la voix. Dans une observation précédente, les auteurs de cette publication avaient détecté de manière objective et automatique des troubles de la voix chez un large groupe de patients avec TE, avec ou sans tremblement vocal cliniquement manifeste, grâce à l’IA, rapportant un pic d’activité oscillatoire prononcé dans la bande de 4–6 Hz. Avait été également détecté objectivement l’effet symptomatique du traitement pharmacologique sur l’altération vocale chez TE, montrant également une réduction significative de l’activité oscillatoire maximale chez les patients traités. Ainsi, en raison de la grande complexité et multidimensionnalité de la voix humaine, une approche basée sur l’apprentissage automatique (ML), capable de combiner dynamiquement des milliers de caractéristiques changeantes, a semblé être l’outil idéal pour divulguer objectivement les bénéfices et les effets secondaires possibles sur la voix chez les patients atteints de TE après Vim-MRgFUS. Conclusion, ces observations ouvrent la voie à des évaluations vocales objectives chez les patients TE après intervention Vim-MRgFUS, à des fins de télémédecine.
Article original
Focused ultrasound thalamotomy improves voice tremor in essential tremor: objective insight from artificial intelligence Francesca Pistoia, Patrizia Sucapane, Francesco Asci, Gennaro Saporito, Giovanni Costantini, Valerio Cesarini, Giovanni Saggio, Simona Sacco, Antonio Suppa. Sci Rep. 2026, avril 4 ; 16:16354.
Traduction : Dr Nicole SARDA ex DR INSERM-Neuro-Psy
* Fonctionnement du récepteur (ROC, Receiver Operating Characteristic) = représentation graphique utilisée pour évaluer les performances de modèles. La courbe ROC est utile pour déterminer dans quelle mesure un modèle peut faire la distinction entre 2 groupes.
**Le test du rapport de vraisemblance (LR) compare deux modèles imbriqués pour déterminer si le modèle plus complexe améliore significativement l’ajustement aux données.
