L'apprentissage automatique identifie des groupes distincts de déficits du contrôle du mouvement chez des patients souffrant de cervicalgies chroniques

Pourquoi la douleur cervicale est plus qu’un simple point douloureux

La douleur au cou est désormais l’une des principales causes d’invalidité dans le monde, et pour beaucoup de personnes elle ne disparaît pas après quelques jours difficiles. Elle persiste pendant des mois, réapparaît régulièrement et peut modifier discrètement la façon dont la tête et le cou bougent au quotidien. Pourtant, les médecins traitent souvent la cervicalgie chronique comme si la plupart des patients étaient semblables. Cette étude pose une question différente : existe-t-il des sous-groupes cachés de personnes souffrant de douleurs cervicales, chacun avec son propre profil de troubles du mouvement, qui pourraient nécessiter des types de rééducation différents ?

Une cible en mouvement pour le cou

Pour explorer la manière dont les personnes atteintes de cervicalgie chronique contrôlent la tête et le cou, les chercheurs ont utilisé un test appelé le test du Papillon (Butterfly test). Les participants portent un petit capteur de mouvement sur la tête et doivent suivre une cible qui se déplace de façon imprévisible en tournant et en inclinant la tête. La cible accélère, ralentit et change de direction selon trois niveaux de difficulté — facile, moyen et difficile. À partir de ces essais, l’équipe a extrait plusieurs mesures : le temps pendant lequel la tête restait sur la cible mobile, la fréquence des retards (lag), la fréquence des dépassements (overshoot) et l’écart global de la position de la tête par rapport à la trajectoire idéale. Ils ont combiné ces mesures de mouvement avec l’intensité de la douleur déclarée par chaque personne.

Laisser les algorithmes révéler des groupes cachés

Plutôt que de décider a priori comment étiqueter les patients comme « léger » ou « sévère », les auteurs ont utilisé des méthodes fondées sur les données. Ils ont appliqué plusieurs techniques de clustering — des outils mathématiques qui recherchent des regroupements naturels dans des données complexes — en utilisant 13 caractéristiques issues du test Papillon plus les notes de douleur. Pour évaluer quelle méthode séparait le mieux les patients, ils ont utilisé une mesure de qualité qui vérifie à quel point chaque groupe est distinct des autres. Le clustering k-means, un algorithme largement utilisé, a fourni le meilleur compromis entre des groupes nets et de taille raisonnable. La solution la plus informative a divisé les 135 patients en quatre groupes distincts, chacun reflétant non seulement le degré d’atteinte du mouvement mais aussi la manière dont ces atteintes se manifestaient.

Quatre façons différentes dont le mouvement peut dysfonctionner

À une extrémité du spectre se trouvait un groupe présentant seulement de faibles problèmes de mouvement et une douleur légère à modérée. Ces patients gardaient généralement la tête proche de la trajectoire cible et passaient plus de temps sur la cible, avec peu de tendances à être en retard ou à dépasser la cible. Un autre groupe présentait des déficits modestes mais un profil caractéristique de mouvements trop lents et de retard derrière la cible à des vitesses plus élevées, suggérant un style de mouvement prudent souvent lié à la peur du mouvement. Un troisième groupe montrait des problèmes plus marqués, en particulier des dépassements de la cible, suggérant des difficultés à freiner ou à contrôler finement les muscles du cou lors des changements de direction. Le groupe le plus atteint combinait une douleur modérée à sévère avec de grandes erreurs à tous les niveaux de difficulté — y compris le niveau supposé facile — et présentait à la fois des retards marqués et des dépassements, indiquant une perturbation large du contrôle du mouvement du cou.

Des profils vers des outils personnalisés

Pour tester si ces groupes pouvaient être reconnus de façon fiable, les chercheurs ont entraîné plusieurs modèles d’apprentissage automatique à prédire l’appartenance aux clusters à partir des mêmes données de mouvement et de douleur. Les réseaux neuronaux et des modèles « empilés » combinés ont pu assigner les patients aux quatre groupes avec une très grande précision, sensibilité et spécificité, surpassant largement une règle simple du plus proche voisin. En utilisant une technique appelée SHAP, l’équipe a ensuite examiné quelles caractéristiques de mouvement influençaient le plus ces décisions. Les mesures de dépassement ou de retard par rapport à la cible, en particulier aux difficultés moyenne et élevée, sont apparues comme des éléments clés distinguant les groupes les uns des autres.

Ce que cela signifie pour les personnes vivant avec une douleur cervicale

Pour un lecteur non spécialiste, la conclusion est que la douleur cervicale chronique n’est pas un problème uniforme. Lorsqu’on demande aux patients de suivre une cible mobile imprévisible, ils se répartissent naturellement en plusieurs profils distincts de contrôle du mouvement — certains sont principalement plus lents et prudents, d’autres moins stables et plus enclins au dépassement, et d’autres encore gravement perturbés de manière généralisée. L’étude montre que les méthodes modernes d’analyse des données peuvent détecter de façon fiable ces profils cachés à partir d’un court test de mouvement et d’un score de douleur. Bien que ce travail soit une preuve de concept précoce, il ouvre la voie à un avenir où la rééducation pour la douleur cervicale serait adaptée au profil de contrôle du mouvement de chaque personne, plutôt que proposée selon une approche universelle.

Citation: Majcen Rosker, Z., Rosker, J. Machine learning identifies distinct movement control impairment clusters in patients with chronic neck pain. Sci Rep 16, 12993 (2026). https://doi.org/10.1038/s41598-026-43903-z

Mots-clés: douleur chronique au cou, contrôle du mouvement, tests kinesthésiques, apprentissage automatique, sous-groupes en rééducation