L’intégration par apprentissage automatique de biomarqueurs sanguins sériels améliore la prédiction du déclin cognitif dans les premiers stades de la maladie de Parkinson

Pourquoi cette recherche est importante

Beaucoup considèrent la maladie de Parkinson comme un trouble du mouvement, mais les altérations de la mémoire et des fonctions cognitives comptent parmi ses effets les plus invalidants. Jusqu’à quatre personnes sur cinq atteintes de Parkinson développent finalement des troubles cognitifs sérieux, ce qui double les coûts de santé et pèse lourdement sur les familles. Pourtant, les médecins ont encore du mal à identifier, dès le départ, qui présente le plus de risque. Cette étude examine si de simples prises de sang répétées, associées à des modèles informatiques modernes, peuvent mieux prédire qui subira un déclin cognitif au cours des premières années après le diagnostic.

Suivre les patients dans le temps

Les chercheurs se sont appuyés sur la cohorte longitudinale Early Parkinson’s Disease Longitudinal Singapore (PALS), un groupe soigneusement suivi de 193 personnes récemment diagnostiquées avec la maladie de Parkinson. Les participants avaient en moyenne environ 64 ans, avec des symptômes moteurs plutôt légers à modérés au départ. Ils ont été suivis pendant cinq ans, avec des tests cognitifs annuels utilisant le Montreal Cognitive Assessment et des prélèvements sanguins réalisés au début, à la troisième année et à la cinquième année. Le déclin cognitif a été défini comme une baisse régulière des scores aux tests au fil du temps, suffisamment importante pour affecter la vie quotidienne mais encore précoce pour permettre une intervention.

Signaux sanguins provenant du cerveau

L’équipe s’est concentrée sur deux protéines sanguines reflétant des lésions cérébrales : la chaîne légère des neurofilaments (NfL), marqueur de l’atteinte des fibres nerveuses, et la tau totale (t-tau), associée à la dégénérescence des neurones et souvent évoquée dans le contexte de la maladie d’Alzheimer. Plutôt que d’examiner une unique mesure, ils ont résumé les trois mesures de chaque personne à l’aide de descripteurs simples : le minimum, le maximum, la moyenne et la variabilité des valeurs. Ils ont aussi consignés d’autres informations de santé comme l’âge, le niveau d’études, la pression artérielle, des problèmes de cholestérol et les scores cognitifs initiaux. Sur cinq ans, près d’une personne sur quatre a présenté un déclin cognitif, ce qui a permis aux scientifiques de comparer ceux qui ont décliné et ceux qui sont restés stables.

Apprendre aux ordinateurs à repérer des motifs

Pour interpréter cet ensemble complexe de facteurs, les chercheurs ont utilisé plusieurs méthodes d’apprentissage automatique — des algorithmes informatiques qui apprennent les motifs à partir des données. Ils ont d’abord employé trois techniques différentes pour identifier les variables les plus informatives parmi environ 30 candidates. À travers ces méthodes, les mêmes caractéristiques sont régulièrement apparues en tête : les résumés dynamiques de la t-tau et de la NfL, et la pression artérielle diastolique (le « chiffre du bas ») mesurée en position couchée et debout. Ils ont ensuite entraîné cinq types de modèles prédictifs sur des combinaisons de ces caractéristiques et évalué la capacité de chaque modèle à séparer les patients qui déclineront de ceux qui ne déclineront pas, en utilisant l’aire sous la courbe ROC (AUC) comme mesure de performance.

De meilleures prévisions grâce aux biomarqueurs changeants

Le résultat central est que les modèles utilisant des mesures sanguines variables dans le temps ont nettement surpassé les modèles basés uniquement sur les données de référence. Lorsque les algorithmes disposaient seulement des valeurs cliniques et de laboratoire initiales, les performances étaient modestes (meilleure AUC d’environ 0,56, à peine supérieure au hasard). Lorsque des résumés des variations de t-tau et de NfL sur trois points temporels ont été ajoutés, la précision a augmenté de manière substantielle, avec des AUC comprises entre environ 0,64 et 0,76 selon les méthodes. Le meilleur modèle unique, une approche appelée XGBoost utilisant seulement une douzaine de caractéristiques soigneusement sélectionnées, a atteint une AUC de 0,81. Dans ce modèle, des niveaux élevés et instables de t-tau et une pression artérielle diastolique élevée étaient des signes d’alerte particulièrement forts, tandis que les variations de NfL contribuaient également mais de façon un peu moins dominante. Les années d’éducation ont montré un effet protecteur, cohérent avec l’idée qu’une plus grande « réserve cognitive » peut tamponner le cerveau contre les lésions.

Implications pour les soins et les essais cliniques

Ces résultats indiquent des moyens pratiques de faire passer la prise en charge de la maladie de Parkinson d’une approche réactive à une approche préventive. Parce que les tests sanguins pour la t-tau et la NfL sont peu invasifs et de plus en plus disponibles, les cliniques pourraient en principe surveiller les niveaux des patients tous les quelques années et les combiner avec la pression artérielle dans un calculateur de risque informatisé. Les personnes identifiées à haut risque pourraient bénéficier d’une surveillance cognitive plus étroite, d’un contrôle ciblé de la pression artérielle et d’un accès anticipé à la rééducation ou aux essais cliniques de médicaments modificateurs de la maladie, en particulier ceux visant la tau ou des voies apparentées. Les modèles suggèrent aussi un moyen « d’enrichir » les essais cliniques en ciblant le quart environ de patients les plus susceptibles de décliner, ce qui facilite la détection d’un effet de traitement avec moins de participants.

Ce que cela signifie pour les patients

Pour les personnes vivant avec la maladie de Parkinson et leurs familles, l’étude apporte un optimisme prudent. Elle ne fournit pas encore de test prêt pour la pratique clinique, et les résultats doivent être confirmés dans des cohortes plus larges et plus diverses. Mais elle montre que de simples prises de sang répétées — combinées à la pression artérielle et à des informations de base — peuvent aider les ordinateurs à prédire de manière significative qui est sur une trajectoire à risque pour des problèmes cognitifs. En termes simples, observer comment certaines protéines liées au cerveau et la pression artérielle évoluent dans le temps semble plus informatif qu’une lecture unique. Si ces outils sont validés, ils pourraient aider les médecins à personnaliser le suivi, à se concentrer sur des risques modifiables comme la pression artérielle et à planifier un soutien plus précoce, visant en fin de compte à préserver les fonctions cognitives et l’autonomie le plus longtemps possible.

Citation: Mohammadi, R., Ng, S.Y.E., Tan, J.Y. et al. Machine learning integration of serial blood biomarkers enhances cognitive decline prediction in early Parkinson’s disease. npj Parkinsons Dis. 12, 87 (2026). https://doi.org/10.1038/s41531-026-01298-8

Mots-clés: Maladie de Parkinson, déclin cognitif, biomarqueurs sanguins, apprentissage automatique, protéine tau