Sommaire
00:00 Introduction : histoire de l’EEG et avènement de l’IA
02:30 Réseaux de neurones : fonctionnement, types d’apprentissage
05:10 Applications cliniques : âge cérébral, sexe, anomalies EEG
10:42 Études multicentriques : performance, limites, biais de données
14:25 Prédiction de l’épilepsie à partir de la stimulation lumineuse
16:40 Cas cliniques concrets : hémorragie sous-arachnoïdienne, Alzheimer, post-ACR
20:30 Intégration dans la pratique : vers une neurologie assistée par IA
22:10 Conclusion : perspectives, collaboration IA-clinicien
Résumé
Cette conférence présente l'évolution de l'électroencéphalographie (EEG) depuis son origine en 1924 jusqu’à son intégration actuelle avec l’intelligence artificielle (IA). Elle retrace les étapes majeures, notamment la digitalisation dans les années 1980, l'apparition des EEG portables en 1991, et les appareils actuels avec jusqu’à 270 électrodes enregistrant simultanément EEG, ECG, respiration, etc. L’essor de l’IA dans ce domaine s’explique par l’augmentation massive de la puissance de calcul et la diminution des coûts de stockage, favorisant une explosion des publications IA/EEG dès 2018.
Les algorithmes de type réseau de neurones artificiels permettent l’apprentissage supervisé et non supervisé. Appliqués aux EEG, ils identifient automatiquement des patterns invisibles à l’œil humain, comme des micro-anomalies ou des synchronies à basse amplitude. Un exemple frappant : un modèle IA a pu prédire l’âge cérébral avec une marge d’erreur moyenne de 6 ans et identifier le sexe avec une précision de 89 %, sur un échantillon de plus de 1000 EEG.
Une étude danoise sur plus de 30 000 EEG a montré que l’IA atteint des performances comparables à celles des experts pour classer des EEG comme normaux, épileptiformes ou non. Toutefois, la performance chute lorsqu’on applique le modèle à des données d’autres centres, soulignant la nécessité de validation externe.
À Genève, une étude pilote a utilisé les données EEG lors de la stimulation lumineuse intermittente pour prédire l’épilepsie dès le premier EEG, avec une précision nettement améliorée lorsqu’on y ajoute des données cliniques. Cette approche pourrait permettre une prise en charge immédiate, améliorant significativement le pronostic à 5-10 ans.
D’autres travaux ont exploré la prédiction des complications ischémiques après hémorragie sous-arachnoïdienne, le pronostic cognitif post-arrêt cardiaque, le diagnostic de la maladie d’Alzheimer ou la récupération post-traumatisme crânien, avec des résultats prometteurs mais encore limités par la taille des cohortes. L’EEG reste un outil peu coûteux, portable, et temps réel, idéal pour intégrer l’IA à la pratique clinique.
