Pour les cliniciens, une meilleure compréhension de la complexité de la lombalgie est essentielle [1Thiry P., Houry M., Philippe L., Nocent O., Buisseret F., Dierick F., et al. Machine learning identifies chronic low back pain patients from an instrumented trunk bending and return test Sensors 2022 ;  22 : 5027 [cross-ref]

Cliquez ici pour aller à la section Références]. À la récolte de nombreuses données cliniques s’ajoutent des données obtenues via des centrales inertielles (IMUs) pour évaluer des modifications sensori-motrices [2Thiry P, Nocent O, Buisseret F, Bertucci W, Thevenon A, Simoneau-Buessinger E. Sample entropy as a tool to assess lumbo-pelvic movements in a clinical test for low-back-pain patients. Entropy;24:437.

Cliquez ici pour aller à la section Références].

Lors de la prise en charge et le suivi personnalisé d’un patient, organiser cette récolte de données et son intégration dans le processus de décision thérapeutique est un défi.

L’objectif de cette étude pilote multicentrique vise la mise en place d’un système permettant la numérisation, l’anonymisation et l’enregistrement de l’ensemble des données d’un patient lombalgique afin de les analyser via une intelligence artificielle (IA) pour fournir au clinicien une meilleure compréhension de la lombalgie et une aide à la décision thérapeutique.

Les données d’anamnèse, d’examen physique, les scores des questionnaires validés et les données cinématiques provenant des IMUs ont été numérisés et enregistrés par la NOMADeApp (nomadeproject.eu/). Sur un mois, trois prises de mesures ont été réalisées sur 45 patients lombalgiques chroniques, âgés de 18 à 65 ans, recrutés dans 3 hôpitaux.

Des analyses cinématiques non linéaires de mouvements répétés [2Thiry P, Nocent O, Buisseret F, Bertucci W, Thevenon A, Simoneau-Buessinger E. Sample entropy as a tool to assess lumbo-pelvic movements in a clinical test for low-back-pain patients. Entropy;24:437.

Cliquez ici pour aller à la section Références] mesurés par un nœud de centrale inertiel validé [3Blandeau M., Guichard R., Hubaut R., Leteneur S. Two-step validation of a new wireless inertial sensor system: application in the squat motion Technologies 2022 ;  10 : 72 [cross-ref]

Cliquez ici pour aller à la section Références] permettant de différencier des patients lombalgiques de sujets sains [1Thiry P., Houry M., Philippe L., Nocent O., Buisseret F., Dierick F., et al. Machine learning identifies chronic low back pain patients from an instrumented trunk bending and return test Sensors 2022 ;  22 : 5027 [cross-ref]

Cliquez ici pour aller à la section Références] et les autres données enregistrées par la NOMADeApp ont servi à des analyses en composantes principales et par l’IA.

Plus de 90 paramètres ont été obtenus. Une Classification Ascendante Hiérarchique réalisée sur les individus fait apparaître 4 classes de patients. Les classes sont caractérisées, pour la classe 1 par de fortes valeurs d’entropie et de faibles valeurs de paramètres des scores de dépression ou d’invalidité ; la classe 2 par de fortes valeurs du questionnaire de Baecke ; la classe 3 par des fortes valeurs de kinésiophobie et la classe 4 par de fortes valeurs d’évitement de la douleur et de faibles valeurs d’entropie.

Les classes isolées montrent des possibilités de prise en charge et de suivi ciblées permettant une aide à la décision thérapeutique. Des études similaires à plus grande échelle sont nécessaires pour confirmer la pertinence de ces classes.

Les données obtenues par la NOMADeApp, via une analyse en IA, devraient permettre une aide à la prise de décision thérapeutique et au suivi de prise en charge de la lombalgie. Ce système rendra possibles des études rétrospectives à grande échelle.