Diagnostiquer la maladie de Parkinson (MP) peut être difficile, en particulier aux premiers stades. Les symptômes précoces peuvent être subtils ou se recouper avec d’autres troubles, et la MP est définie cliniquement ; il n’existe donc pas de test de laboratoire pour la diagnostiquer. Par conséquent, un diagnostic tardif n’est pas rare. Des outils d’intelligence artificielle (IA) sont explorés comme moyens potentiels de renforcer le diagnostic de Parkinson en aidant les professionnels de santé à détecter la maladie plus tôt. À cette fin, ces dernières années, les chercheurs ont commencé à exploiter des algorithmes d’IA, tels que des modèles d’apprentissage automatique, pour analyser un large éventail de données – données de capteurs portables, enregistrements vocaux, variations génétiques et examens cérébraux – à la recherche de signes révélateurs de Parkinson [1].

Comment l’IA pourrait-elle être utilisée pour détecter la maladie de Parkinson ?

Dépistage dans la vie quotidienne

Signatures dans les données de capteurs portables : la MP laisse des signatures uniques dans la façon dont une personne se déplace et dort, avec des changements subtils de mobilité, de marche et de qualité du sommeil. Grâce aux appareils portables tels que les montres connectées, qui permettent la collecte passive d’une grande quantité de données d’activité humaine dans la vie quotidienne, les algorithmes d’IA se sont révélés capables de détecter ces signatures uniques associées à Parkinson. Une étude majeure analysant les données de la UK Biobank a suggéré que les schémas dans les données de mobilité quotidienne enregistrées par un simple capteur porté au poignet peuvent identifier des personnes au stade prodromique de la maladie, jusqu’à sept ans avant le diagnostic clinique [2].

Récemment, les chercheurs d’AI-PROGNOSIS ont utilisé des mesures de sommeil, de marche et d’autres activités, calculées à partir de données de capteurs au poignet de l’étude Parkinson’s Progression Markers Initiative, pour entraîner un modèle d’IA à distinguer les personnes atteintes ou non de MP [3]. Le modèle a atteint une grande précision (plus de 80 %) et semblait également capable de suivre des mesures de déplétion des neurones dopaminergiques du cerveau, un signe distinctif de la maladie.

Signatures dans les données d’interaction avec le smartphone et analyse vocale : les smartphones et applications ont été utilisés pour surveiller la frappe, la stabilité de la main et même la voix, avec des modèles d’apprentissage automatique permettant de distinguer les personnes atteintes de MP de personnes saines à l’aide de mesures pertinentes. Par exemple, des paramètres de frappe au clavier lors de l’écriture sur écran tactile ont été associés à des altérations de la motricité fine chez des patients atteints de Parkinson à un stade précoce [4], tandis que les données des capteurs de mouvement du smartphone ont servi à détecter la présence de tremblements [5]. Comme Parkinson affecte souvent la parole, provoquant des changements de volume, de ton ou de fluidité même très tôt, les scientifiques ont également entraîné des modèles d’IA à analyser des enregistrements vocaux pour détecter ces changements subtils, notamment des extraits de parole naturelle issus d’appels téléphoniques [6], ainsi que des enregistrements de vocalisations prolongées de voyelles [7]. Les chercheurs d’AI-PROGNOSIS tentent également d’utiliser des vidéos capturées par smartphone de personnes réalisant des tâches motrices, ainsi que le suivi corporel basé sur l’IA, pour détecter et quantifier des signes d’agilité, d’altération de la marche et de l’équilibre [8].

Les méthodes de suivi basées sur les appareils portables et les smartphones sont souvent discrètes, peu coûteuses et ont déjà montré des résultats encourageants. Ces technologies pourraient renforcer le diagnostic en fournissant des données objectives (non fondées sur une interprétation personnelle) et en permettant la surveillance du risque dans la vie quotidienne. Au lieu de s’appuyer uniquement sur un bref examen en clinique, un médecin pourrait intégrer un résumé d’un mois (ou plus) de données de capteurs, analysées par l’IA, révélant des schémas d’activité compatibles avec la MP.

Autres façons clés dont l’IA améliore le diagnostic de Parkinson

Analyse avancée des images cérébrales : l’IA peut mettre en évidence des schémas dans les examens du cerveau trop subtils pour l’œil humain. Par exemple, une étude de 2025 a utilisé un algorithme d’apprentissage automatique sur des IRM spécialisées pour différencier la maladie de Parkinson de deux autres syndromes parkinsoniens, l’atrophie multisystématisée et la paralysie supranucléaire progressive. Les résultats étaient prometteurs, l’approche IA parvenant à distinguer la MP du parkinsonisme atypique avec une sensibilité d’environ 86 % [9]. Ce type d’outil pourrait aider les neurologues à écarter plus tôt d’autres maladies qu’une MP au cours de son évolution. Les chercheurs imaginent qu’à l’avenir, un patient pourrait passer une IRM et qu’un système d’IA fournirait instantanément une probabilité de MP par rapport à d’autres affections, assistant (sans remplacer) les médecins dans leur décision. Ces outils pourraient être particulièrement utiles dans les régions où les spécialistes des troubles du mouvement ne sont pas disponibles, car ils peuvent être rendus accessibles en ligne afin qu’un hôpital local puisse télécharger un examen cérébral et obtenir un avis diagnostique de niveau expert.

Utilisation de l’IA dans les dossiers médicaux et l’analyse génétique : une autre approche consiste à utiliser l’IA pour analyser les dossiers médicaux ou les données de laboratoire afin d’identifier les personnes à risque. Une étude a développé un modèle d’apprentissage automatique analysant les antécédents médicaux de milliers de personnes et identifiant celles qui développaient plus tard la maladie de Parkinson avec une bonne précision. L’algorithme a correctement prédit environ 73 % des futurs cas de MP (et reconnu correctement 83 % des personnes qui ne développeraient pas la maladie), en observant des schémas dans les diagnostics et plaintes de santé des années précédentes [10]. Beaucoup des indices prédictifs étaient des symptômes déjà connus pour être liés à la MP. Par exemple, le modèle a relevé que les patients ayant des rapports précoces de tremblements, de perte d’odorat, de constipation ou de certains troubles du sommeil étaient plus susceptibles d’être diagnostiqués ultérieurement avec la MP. Avec un accès aux dossiers médicaux électroniques, des outils de ce type pourraient alerter les médecins généralistes qu’un patient présentant une constellation de symptômes pourrait nécessiter une orientation vers un neurologue.

Au-delà des dossiers, des outils basés sur l’IA sont utilisés pour l’analyse et l’interprétation des données génétiques [11]. La recherche génétique sur Parkinson vise à identifier les facteurs génétiques associés à un risque accru de développer la maladie [12]. L’apprentissage automatique est appliqué à l’analyse des données génétiques, parfois en combinaison avec d’autres données telles que l’âge ou les facteurs liés au mode de vie. Ces méthodes peuvent servir à stratifier les niveaux de risque, ce qui peut également aider à la sélection de participants dans de futurs essais cliniques de thérapies modifiant l’évolution de la maladie [13-14].

Implications et avenir de l’IA dans le diagnostic

L’intégration de l’IA dans le diagnostic de la MP pourrait améliorer significativement les soins aux patients. Un diagnostic plus précoce et plus précis signifie que les patients peuvent commencer plus tôt les traitements et interventions liées au mode de vie, ce qui peut potentiellement ralentir la progression des symptômes et éviter des examens ou traitements inutiles liés à une mauvaise orientation diagnostique. Cela signifie également que lorsque des médicaments neuroprotecteurs prometteurs deviendront disponibles à l’avenir, nous pourrons identifier les bons patients au bon moment. Il est important de souligner que l’IA est considérée comme un soutien aux cliniciens, non un substitut. Une IA pourrait par exemple fournir un second avis sur un examen ou mettre en évidence des schémas d’activité anormaux, mais un neurologue posera toujours le diagnostic final dans le contexte global du patient. À mesure que ces technologies se développent, on met l’accent sur leur caractère explicable et leur convivialité pour les médecins, afin qu’une IA ne se contente pas de donner une prédiction, mais montre aussi son raisonnement.

Un aspect de la prédiction du risque de maladie concerne le facteur humain : les personnes veulent-elles réellement savoir ce que prédit l’IA ? La réponse n’est pas universelle. Dans une enquête récente auprès de personnes en bonne santé (âge moyen : 65 ans, sans diagnostic), 79 % ont déclaré vouloir être informées de leur risque de manière inconditionnelle, principalement pour se préparer à l’avenir ou prendre des mesures préventives [15]. Dans la même étude, lorsqu’on leur a demandé leur avis sur un test prédictif « très fiable », plus de 70 % ont indiqué vouloir un accompagnement détaillé et des informations sur les changements de mode de vie s’ils étaient positifs, suggérant que, avec des conseils exploitables, beaucoup accueillent favorablement les connaissances pronostiques. Les personnes atteintes de Parkinson ont également signalé un intérêt pour des informations pronostiques personnalisées – « plus c’est personnalisé, mieux c’est » – tout en soulignant l’importance d’une interprétation professionnelle et d’un accompagnement. En même temps, certaines personnes atteintes de MP notent qu’un diagnostic plus précoce n’est pas toujours utile si aucune option préventive n’existe, suggérant que les prédictions devraient être partagées de manière sélective [16, 17]. Une étude utilisant le projet AI-PROGNOSIS comme contexte a montré que les personnes atteintes de MP percevaient des avantages potentiels dans des recommandations personnalisées et une meilleure compréhension de leur maladie, mais s’inquiétaient également d’éventuels dommages psychologiques si les prédictions étaient données sans soutien adéquat [18].

Le système de santé devrait établir des lignes directrices sur la manière de partager l’information prédictive avec les patients, en tenant compte des préférences personnelles et de l’impact émotionnel. Les cliniciens utilisant des outils d’IA devront conseiller les patients sur ce que signifie réellement une « prédiction » – il s’agit d’une probabilité, non d’un destin gravé dans la pierre – et garantir la présence d’un soutien psychologique, car entendre une prédiction sombre peut être stressant. Un autre défi réside dans la communication de l’incertitude. Même une IA très précise comportera une marge d’erreur. Sans biomarqueur infaillible pour étayer ces prédictions, médecins et patients devront interpréter avec prudence les résultats fournis par l’IA.

La plupart des outils diagnostiques basés sur l’IA pour la MP sont actuellement au stade de la recherche ou de l’expérimentation. Les progrès sont rapides mais des défis subsistent : s’assurer que ces modèles d’IA sont entraînés sur des populations diversifiées (afin qu’ils se généralisent à tous les patients), protéger la confidentialité des données de santé et éviter les faux positifs susceptibles d’inquiéter les patients inutilement. Mais la tendance est claire : l’IA a un potentiel immense pour renforcer le diagnostic de Parkinson. Le rôle des cliniciens et des technologues sera de soutenir le choix de chaque individu, d’assurer que les prédictions soient aussi précises que possible et, surtout, de maintenir la personne atteinte de Parkinson au centre de toute innovation technologique.