Intelligence artificielle et diffusion au service de l'évaluation cognitive

Auteurs

Sandra SUAREZ (1), Bertrand EYNARD (1)

1. IT'S BRAIN, Saint-Aubin, FRANCE

Résumé

Introduction

Le modèle de diffusion de décision (DDM) modélise l'accumulation stochastique de décisions en capturant la relation complexe entre le choix et les temps de Réaction (TR) et décompose ces données comportementales en indices des processus cognitifs sous-jacents au traitement de la décision (Ratcliff, 2008).

Objectif

L’objectif clinique est d’observer les variations pathologiques des indices, par exemple on observe un ralentissement du taux de dérive chez les patients déprimés accumulant plus de preuves pour prendre une décision (Pitliya, 2022). Le MindPulse est un test cognitif numérique permettant une mesure fine des fonctions attentionnelles et exécutives et la réaction à la difficulté. Il est composé de trois sous-tests de TR et Go/NoGo simple et complexe et produit une analyse permettant de dissocier le TR en trois facteurs indépendants, le temps perceptivo-moteur, le temps exécutif et la variation temporelle liée à la réaction à la difficulté (Suarez, 2021).

Méthode

Nous implémentons dans le MindPulse une méthode de DDM augmentée par de l’Intelligence Artificielle (IA).Méthode : 721 sujets témoins âgés de 18 à 80 ans ont passé le MindPulse en présence d’un clinicien. 144 évènement sont relevés (TR au centième de seconde). Nous utilisons la librairie python “pyddm” (Fengler, 2022) pour implémenter les analyses du DDM et le fit par évolution différentielle avec estimateur Bayesien pour trouver une approximation des indices du DDM pour les Go/NoGo à un et deux choix. Nous affinons et estimons les intervalles de confiance par une méthode Monte-Carlo (IA). Au-delà du DDM, nous utilisons des méthodes d’IA, classificateurs et convoluteurs, pour créer des groupes de Profils d’Evolution de la Décision (DEP) de sujets, tenant compte de leur vitesse, leur précision, leur variabilité et de leur évolution au cours du test y compris les modification du comportement après une erreur.Résultats : Nous montrons qu’une analyse en DDM améliorée par de l’IA est fiable sur les 2 phases Go/NoGo du test MindPulse (Drift.B reliability = 0.887 ; Drift.C: 0.900). Notre IA a créé 4 profils d’évolution pour chacun des subtests du MindPulse (cf figure) permettant de décrire le profil d’un individu comme une succession de 3 profils pour chacun des sous tests du MindPulse.

Conclusion

Le MindPulse permet d’une part de filtrer les composantes principales de l’équilibre TR-précision en identifiant les composantes principales sous-jacentes au TR (perceptivo-motrice, exécutive, variation de vitesse liée à la réaction à la difficulté de la tâche) permettant d’analyser en profondeur les caractéristiques attentionnelles et exécutives des sujets. D’autre part, en extrayant par IA des profils DEP chez les sujets normaux, nous pourrons ensuite observer la persistance d’un DEP pour un sujet et rechercher les DEP caractéristiques en conditions pathologiques. L’ambition de ces technologies est d’arriver à dégager des biomaqueurs de la cognition et des identifications de profils DEP pathologiques.

Consulter le poster

Retour aux meilleurs posters 2023