Parce que les chercheurs ont fait des progrès si frappants dans le développement de médicaments pour traiter les maladies neuromusculaires, Scott Delp, Ph.D., a été surpris d’apprendre que les scientifiques menant des essais cliniques s’appuyaient encore sur un outil résolument low-tech pour vérifier si ces traitements fonctionnaient : un chronomètre.
Dans une étude publiée dans NEJM IADelp, professeur de bio-ingénierie, et ses collaborateurs ont montré qu’un smartphone pouvait faire aussi bien, voire mieux, le travail. Avec deux caméras pour smartphone et une application gratuite, ils ont pu reproduire les résultats de tests de mouvement standard pour deux maladies neuromusculaires et capturer plus de détails sur les capacités physiques des patients.
« Notre objectif était de mettre à profit la modélisation biomécanique et la vision par ordinateur les plus sophistiquées au monde afin de correspondre à ce qui se passe du côté du développement de médicaments », a déclaré Delp.
Delp est l’auteur principal de l’étude. Parker Ruth, doctorant en informatique à l’Université de Stanford, en est l’auteur principal.
Les cliniciens utilisent généralement un chronomètre pour mesurer le temps nécessaire aux personnes souffrant de problèmes de mouvement pour accomplir des tâches spécifiques, comme se lever d’une chaise ou marcher 10 mètres. Connue sous le nom de test fonctionnel chronométré, cette méthode est rapide et peu coûteuse, mais elle ne permet pas de détecter des changements subtils dans la façon dont les patients bougent, en particulier dans les maladies qui progressent lentement.
Pour une vue plus détaillée, les patients doivent se rendre dans un laboratoire d’analyse du mouvement, où des évaluations biomécaniques de plusieurs heures nécessitent des techniciens hautement qualifiés et des équipements qui coûtent des centaines de milliers de dollars.
« Le statu quo est que très peu de personnes peuvent mesurer leurs mouvements, et cela est rarement utilisé en clinique, généralement entre zéro et une fois dans la vie d’une personne », a déclaré Delp.
Pour tester si les téléphones portables pouvaient faire le travail, Delp et ses collaborateurs ont utilisé jusqu’à trois caméras de smartphone pour enregistrer près de 130 personnes alors qu’elles effectuaient neuf mouvements, comme une course de 10 mètres et une levée des mollets. Les deux tiers des participants souffraient d’une maladie neuromusculaire – dystrophie musculaire facioscapulohumérale (FSHD) ou dystrophie myotonique (DM) – tandis que les autres n’avaient aucun problème de mouvement diagnostiqué. Dans le même temps, les évaluateurs cliniques ont effectué quatre tests fonctionnels chronométrés traditionnels. Le processus n’a duré en moyenne que 16 minutes.
Les chercheurs ont converti les vidéos en modèles 3D à l’aide d’OpenCap, un outil open source publié par Delp et son équipe de Stanford en 2023.
Le logiciel a automatiquement créé un « jumeau numérique » de chaque participant, permettant à l’équipe de mesurer l’amplitude de mouvement, la longueur de foulée, la vitesse et d’autres aspects du mouvement. Les chercheurs ont ensuite traduit les données en 34 caractéristiques de mouvement pertinentes pour la FSHD et le diabète, telles que la hauteur à laquelle les patients lèvent leurs chevilles en marchant.
Sur la base des données des smartphones, les chercheurs ont déduit des scores de temps presque identiques à ceux mesurés avec un chronomètre. Lorsqu’un sous-ensemble de participants a répété les tests le lendemain, le système du smartphone s’est révélé tout aussi fiable.
« Avec une simple vidéo, vous pouvez reproduire ce qu’un clinicien expérimenté et occupé ferait dans une clinique », a déclaré Delp.
Un meilleur outil de diagnostic
Les vidéos ont également révélé des schémas de mouvement spécifiques à la maladie que les tests chronométrés ne peuvent pas capturer. Par exemple, les personnes atteintes de FSHD faisaient des foulées plus courtes et levaient leurs chevilles plus haut en marchant, tandis que celles atteintes de DM avaient plus de difficulté à se lever d’une chaise.
Sur la base des images, un modèle informatique a pu identifier la maladie dont souffre une personne avec une précision de 82 %, contre 50 % avec la méthode du chronomètre.
Les résultats suggèrent que les analyses autrefois confinées aux laboratoires spécialisés peuvent désormais être effectuées rapidement, n’importe où et gratuitement.
« C’est vraiment encourageant », a déclaré Delp. « En démocratisant l’accès aux vidéos sur smartphone, nous pensons que nous serons en mesure de détecter gratuitement les troubles du mouvement dans la communauté. Nous pouvons détecter les maladies plus tôt afin que les patients puissent se faire soigner plus tôt ou participer plus tôt à des essais de médicaments. »
Delp et son équipe ont commencé à examiner comment des outils comme OpenCap peuvent être intégrés aux essais cliniques. Il espère que cette approche rendra les mesures des thérapies pour les maladies neuromusculaires plus précises, accessibles et faciles à mettre en œuvre. « Nous aurons des mesures plus sophistiquées pour voir si les thérapies fonctionnent », a-t-il déclaré.
Entre-temps, des milliers de laboratoires à travers le monde utilisent déjà OpenCap pour évaluer des pathologies telles que la paralysie cérébrale et l’arthrite. L’équipe nationale allemande de volley-ball, par exemple, a utilisé cet outil pour évaluer les blessures sportives de 160 athlètes.
« Il leur fallait des années pour obtenir ce genre de données, et avec OpenCap, ils l’ont fait en une seule saison », a déclaré Delp. « Ils apprennent comment ils peuvent être plus performants, éviter les blessures et s’améliorer plus rapidement. »
Delp souligne que des recherches supplémentaires sont nécessaires pour garantir la précision de l’outil pour chaque nouvelle application. Il estime néanmoins que la technologie représente l’avenir de la façon dont les médecins diagnostiquent et suivent les troubles du mouvement. « Cette méthode d’évaluation précise et rapide du mouvement est sur le point de transformer plusieurs domaines », a-t-il déclaré.
Scott Uhlrich, titulaire d’un doctorat. à l’Université de Stanford et est maintenant professeur adjoint à l’Université de l’Utah, est également l’un des premiers auteurs de l’étude. John Day, MD, Ph.D. de Stanford Medicine, professeur de neurologie et chercheuse scientifique Tina Duong, Ph.D., et leur équipe ont également joué un rôle majeur dans l’étude.
