Des chercheurs américains ont récemment démontré le potentiel prometteur d’un algorithme s’appuyant sur la caméra des smartphones pour diagnostiquer le diabète de type 2, qui permettrait de simplifier et d’améliorer grandement le dépistage de la maladie.

« Jusqu’à présent, les outils non invasifs et largement accessibles pour détecter le diabète faisaient défaut »

Dans le cadre de ces travaux présentés dans la revue Nature Medicine, une équipe de scientifiques de l’université de Californie a mis au point une technique de détection du diabète nécessitant uniquement un smartphone. « Le diabète peut être asymptomatique pendant une longue période, ce qui rend son diagnostic beaucoup plus difficile », explique Robert Avram, auteur principal de l’étude. « Jusqu’à présent, les outils non invasifs et largement accessibles pour détecter le diabète faisaient défaut, ce qui nous a motivés à développer cet algorithme. »

Le concept est basé sur la photopléthysmographie (PPG), une technique permettant d’éclairer les tissus afin de détecter les changements de volume sanguin, largement utilisée par les médecins pour mesurer la fréquence cardiaque et le taux d’oxygène dans le sang.

Dès l’apparition des appareils photo pour smartphones, il y a une dizaine d’années, les chercheurs ont immédiatement suggéré que ces appareils devraient être capables de réaliser des mesures de PPG. Pour cette étude, les chercheurs ont émis l’hypothèse que les données capturées par la caméra d’un smartphone pourraient permettre de détecter les dommages vasculaires causés par le diabète.

La première étape a consisté à mettre au point un algorithme d’apprentissage profond (deep learning) qui permettrait de parcourir des millions d’enregistrements PPG et de découvrir si ce biomarqueur pouvait permettre de différencier efficacement les sujets diabétiques des sujets sains. Au total, le réseau neuronal a examiné 2,6 millions d’enregistrements PPG provenant de 53 870 personnes ayant été diagnostiquées comme diabétiques.

— pcruciatti / Shutterstock.com

Une précision supérieure à 80 %

Une fois l’algorithme perfectionné, les chercheurs ont testé sa capacité à détecter le diabète uniquement à partir des données PPG du smartphone (recueillies à l’aide de la lampe de poche de l’appareil et de sa caméra appliquée au bout des doigts du patient) dans trois cohortes distinctes. Le dispositif a permis de détecter avec précision le diabète chez plus de 80 % des sujets, et le potentiel prédictif de l’algorithme s’est encore amélioré lorsqu’il a été combiné à d’autres données de base sur les patients, telles que l’indice de masse corporelle et l’âge.

« Nous avons démontré que les performances de l’algorithme étaient comparables à celles d’autres tests couramment utilisés, comme la mammographie pour le cancer du sein ou la cytologie pour le cancer du col de l’utérus, et que son caractère indolore le rend intéressant pour des tests répétés », estime Jeffrey Olgin, co-auteur de l’étude. « Un outil smartphone largement accessible comme celui-ci pourrait être utilisé pour identifier et encourager les personnes présentant un risque plus élevé de diabète à consulter un médecin afin d’effectuer un test venant le confirmer. »

S’il faudra un certain temps avant que ces travaux ne se traduisent effectivement par une sorte d’application smartphone de détection du diabète, les résultats de l’étude s’avèrent particulièrement prometteurs. Pour les chercheurs, la prochaine étape consistera à déterminer comment un tel outil numérique pourrait être intégré aux pratiques existantes de dépistage de la maladie.

« La possibilité de détecter une maladie comme le diabète, qui a de graves conséquences sur la santé, à l’aide d’un test indolore utilisant le smartphone, ouvre de nombreuses possibilités », estime Geoffrey Tison, co-auteur de l’étude. « Un outil comme celui-ci aiderait à identifier les personnes présentant un risque élevé de diabète, ce qui contribuerait à réduire la prévalence du diabète non diagnostiqué. »

S’abonner
Notifier de
guest

0 Commentaires
Inline Feedbacks
View all comments