Anticiper le déclin cognitif lié à l'âge grâce à des échantillons de salive et à l'IA
infohightech ·
Avec l'âge, les fonctions physiques et mentales ont tendance à se détériorer progressivement. Parmi les causes les plus fréquentes de déclin cognitif important chez les personnes âgées figurent les maladies neurodégénératives, caractérisées par la perte progressive de neurones dans le cerveau ou le système nerveux périphérique.
Des études antérieures ont montré que le déclin cognitif et les pertes de mémoire associés aux maladies neurodégénératives sont souvent précédés de symptômes liés à la santé mentale, tels que la dépression, le manque de motivation, l'anxiété et l'irritabilité. Cependant, à ce jour, le dépistage précoce des affections neurodégénératives fondé sur l'apparition de symptômes neuropsychiatriques s'est avéré complexe.
Des chercheurs de l'Université de médecine de Chongqing et du Laboratoire clé de Chongqing sur les maladies buccales ont récemment exploré le potentiel d'une nouvelle approche pour prédire l'apparition du déclin cognitif, qui combine des échantillons biologiques et l'apprentissage automatique.
Leur article, publié dans Translational Psychiatry , souligne le potentiel de cette approche pour le dépistage à grande échelle des personnes âgées et l'identification des personnes présentant un risque accru de développer des troubles neuropsychiatriques ou des maladies neurodégénératives.
« Les symptômes neuropsychiatriques sont des indicateurs précoces du déclin cognitif dû aux maladies neurodégénératives, et leur détection précoce est de la plus haute importance », écrivent Ping Liu, Zeng Yang et leurs collègues dans leur article.
« Notre objectif était de développer et de valider des méthodes de dépistage à grande échelle des NPS chez les personnes âgées et d'explorer les mécanismes métaboliques sous-jacents. »
Interactions entre le microbiote oral, les facteurs inflammatoires et les voies métaboliques chez les patients atteints de psychiatrie d'origine nucléaire et les sujets témoins sains. Crédit : Liu et al. Translational Psychiatry , 2026
Analyse des biomarqueurs salivaires par apprentissage automatique
Pour mener leur étude, Liu, Yang et leurs collègues ont recruté 338 personnes âgées fréquentant des centres de soins de santé communautaires à Chongqing, en Chine. Ces participants ont été invités à remplir un questionnaire portant sur leurs données démographiques et à fournir des échantillons de leur salive et de leur microbiote buccal.
Les chercheurs ont également mesuré des marqueurs du niveau de stress des participants, tels que l'hormone cortisol et de petites protéines produites par les cellules immunitaires appelées cytokines. Les données recueillies ont ensuite été divisées en deux ensembles.
Le premier ensemble de données, constitué des données recueillies auprès de 138 participants, a servi à entraîner des modèles d'apprentissage automatique. Le second, composé des données des 200 participants restants, a permis de valider la capacité du modèle à prédire le risque de développement de symptômes neuropsychiatriques chez les patients.
L'équipe a développé et entraîné plusieurs types de modèles d'apprentissage automatique, dont un modèle de gradient boosting extrême (XGBoost), une machine à vecteurs de support (SVM) et un modèle de régression logistique (LR). Elle a ensuite testé leur capacité à identifier de manière fiable les patients présentant un risque accru de développer des symptômes neuropsychiatriques en analysant des biomarqueurs issus de l'analyse d'échantillons de salive et de microbiome buccal.
Ils ont constaté que le modèle XGBoost était plus performant que les autres modèles. Ils ont ensuite utilisé l'un des modèles qu'ils avaient développés pour créer une plateforme facilement accessible aux professionnels de santé et utilisable pour le dépistage de groupes de personnes âgées.
« Le modèle XGBoost augmenté par le genre a obtenu les meilleures performances, avec une AUROC de 0,936 et un score F1 de 0,864, surpassant ainsi les autres modèles », ont écrit les auteurs.
« Le modèle LR a été converti en nomogramme afin de faciliter l'évaluation du risque neuropsychiatrique en milieu communautaire. La validation externe a confirmé son fort pouvoir prédictif (AUROC = 0,986, score F1 = 0,944). Les analyses d'enrichissement et de corrélation ont révélé des interactions entre le cortisol et les microbes, notamment avec la voie des pentoses phosphates et la biosynthèse de l'antigène commun des entérobactéries. »
Applications potentielles du nouvel outil basé sur l'IA
Le nouvel outil de dépistage basé sur l'apprentissage automatique, mis au point par cette équipe de chercheurs, pourrait bientôt être perfectionné et testé en situation clinique réelle. À terme, il pourrait aider les professionnels de santé à détecter précocement l'apparition de symptômes neuropsychiatriques et, potentiellement, le déclin cognitif, afin d'adapter les interventions thérapeutiques et les stratégies de soutien en conséquence.
« Le modèle et le nomogramme augmentés par XGBoost offrent des outils prometteurs pour le dépistage communautaire des NPS (Nouvelles Substances Psychoactives), tandis que l'analyse d'enrichissement fournit des informations sur les mécanismes biologiques », ont écrit Liu, Yang et leurs collègues.
Les premiers résultats obtenus par ces chercheurs soulignent le potentiel des modèles d'apprentissage automatique pour l'analyse des données biologiques et la détection précoce des symptômes neuropsychiatriques.
D'autres neuroscientifiques et chercheurs en psychiatrie pourraient bientôt s'inspirer de cette étude pour développer des plateformes supplémentaires basées sur l'IA pour le dépistage à grande échelle des personnes âgées ou d'autres populations susceptibles de présenter un risque plus élevé de développer des affections spécifiques.
https://medicalxpress.com/news/2026-01-aging-mental-decline-saliva-samples.html