Science et intelligence artificielle combinées à l’Université médicale de Caroline du Sud dans une étude qui pourrait conduire à une stimulation magnétique transcrânienne répétitive personnalisée, ou SMTR, pour les fumeurs qui veulent arrêter.
« Nous voulons améliorer l’efficacité et la spécificité des SMTR et réduire les effets secondaires », a déclaré le chef de l’étude Xingbao Li, MD Il est professeur agrégé au Département de psychiatrie et de sciences du comportement qui a fait des recherches approfondies sur le TMS. Son équipe a publié ses conclusions dans le journal Connectivité cérébrale.
Le TMS utilise des impulsions électromagnétiques pour affecter l’activité cérébrale et peut être mieux connue pour son rôle dans le traitement de la dépression et du trouble obsessionnel-compulsif. Les effets secondaires comprennent l’inconfort au site de stimulation et les maux de tête.
Le TMS a également été approuvé par la Food and Drug Administration pour le tabagisme. Musc Health a été le premier endroit en Caroline du Sud à offrir du TMS aux fumeurs. La recherche a montré que plusieurs séances de RTMS, en particulier sur le cortex préfrontal dorsolatéral gauche du cerveau, peuvent réduire les envies et la consommation de cigarettes.
La nouvelle étude MUSC devient encore plus ciblée que cela, en utilisant une forme d’IA appelée apprentissage automatique pour analyser les images des réseaux de neurones du cerveau pour voir s’il est possible de prédire quels fumeurs sont susceptibles de bénéficier de plusieurs sessions de SMTR, également appelées TMS répétitives.
Pour ce faire, les chercheurs ont utilisé l’imagerie par résonance magnétique fonctionnelle, ou IRMf, pour détecter les changements dans le flux sanguin pour mesurer l’activité cérébrale. Ils ont regardé les réseaux de neurones lorsque les participants étaient dans un état de repos, détendus les yeux fermés et lorsqu’ils ont été exposés à des photos fumeurs.
Cette analyse a révélé qu’un réseau neuronal se démarquait: le réseau de saillance. Il filtre les informations pour déterminer ce qui est saillant ou important sur lequel se concentrer. Dans l’étude, la connectivité du réseau de saillance était le meilleur prédicteur de l’efficacité du SMTR.
« L’étude nous donne une feuille de route pour étendre les SMTR personnalisées et construire un pipeline IRMf et biomarqueur multimodal. Les méthodes peuvent également être utilisées pour d’autres troubles de la consommation de substances », a déclaré Li.
« Les études historiques se concentrent sur le réseau de récompense chez les fumeurs de cigarettes », a-t-il poursuivi, se référant aux parties du cerveau impliquées dans la motivation et le plaisir.
« Nous avons été surpris de constater que le réseau de saillance joue un rôle aussi crucial dans le comportement du tabagisme.
Ils ont trouvé ce pont à l’aide de l’apprentissage automatique. Dans l’apprentissage automatique, les ordinateurs analysent et apprennent des données sans être programmé pour le faire. Ils utilisent des algorithmes qui peuvent repérer les modèles statistiques et s’y adapter. Cela, à son tour, permet aux chercheurs automatiser cette partie de leur travail et améliore la précision.
Dans ce cas, l’apprentissage automatique a analysé les données collectées lors d’une étude MUSC antérieure sur le TMS chez les fumeurs.
Voici comment cette étude antérieure a été mise en place. Les chercheurs ont recruté 42 personnes qui voulaient arrêter de fumer. Ils ont été divisés en deux groupes. Un groupe a obtenu de vrais TMS. L’autre a obtenu des TMS Sham qui semblaient réels. Ils ont tous passé une minute et demie avant que chaque session TMS n’interagit avec des choses comme les cigarettes et les cendriers, puis pendant le TMS, réel ou simulé, regardaient des vidéos de personnes fumer. Il y a eu 10 séances par personne sur une période de deux semaines.
En fin de compte, les chercheurs ont trouvé que les participants qui ont obtenu le vrai TMS « fumé beaucoup moins de cigarettes par jour pendant le traitement de deux semaines », étaient plus susceptibles de quitter leur date cible et avaient des envies plus faibles de tabac.
Li a déclaré que grâce aux analyses de l’IRMf qui faisaient également partie de ce travail, la nouvelle étude a pu s’appuyer sur ses résultats. « L’utilisation d’apprentissage automatique pour identifier le réseau cérébral dysfonctionnel d’un individu, puis appliquer le SMTR au réseau dysfonctionnel, nous pouvons sélectionner qui préfère utiliser le SMTR ou qui préfère les médicaments pour les aider à arrêter de fumer. »
Li a déclaré que leur étude relativement petite jette les bases des études plus importantes pour explorer davantage le TMS ciblé pour les fumeurs. « Cela démontre que les chercheurs de MUSC peuvent utiliser une technologie nouvelle et à fort impact pour aller au-delà de la stimulation des cibles fixes dans la neuromodulation de précision. »
