Les Troubles du Spectre Autistique (TSA) se manifestent par des troubles de la socialisation, de la communication, des intérêts restreints, comportements répétitifs et stéréotypés. Le diagnostic est obtenu entre 3 et 5 ans, or un diagnostic précoce permet d’atténuer la sévérité des séquelles et de mieux intégrer l’enfant dans son milieu social à l’aide de techniques psycho-éducatives. Sachant que les TSA « naissent » in utéro, nous avons testé l’hypothèse qu’une analyse des paramètres de la grossesse et naissance sans à priori pourrait permettre, dès la naissance, d’évaluer le risque d’un pronostic de TSA.
Nous avons recueilli dans une maternité les données du suivi depuis le début de la grossesse jusqu’à la naissance de 65 enfants ayant reçu un diagnostic de TSA. Ces données ont été comparées à celles de 189 naissances dans la même maternité qui n’ont pas eu ce diagnostic. Étant donné la multitude d’informations qui sont recueillies depuis le début de la grossesse jusqu’à la naissance, pour l’analyser nous avons développé un algorithme basé sur le Machine Learning. Ce programme permet de comparer toutes les données sans aucun à priori et de déterminer l’impact de chacun sur le pronostic final.
Nos résultats montrent qu’il est possible d’identifier 96 % les bébés qui ne seront pas diagnostiqués plus tard avec des TSA, et 41% de ceux qui le seront mais avec une précision de 77%. Notre objectif est maintenant d’élargir cette étude dans plusieurs maternités afin d’optimiser l’analyse, d’accroître le pourcentage de bébés identifiés et mieux déterminer les paramètres qui favorisent le pronostic.
Attention, il s’agit d’un pronostic, pas d’un diagnostic et sa fiabilité nécessite d’être consolidée par des estimations sur des centaines de bébés. De plus, aucun paramètre isolé ne permet à lui seul de faire un pronostic, car l’impact individuel est insuffisant. Si ces données étaient confirmées dans des études plus larges, ils ouvriraient la voie à des prises en charge préférentielle des bébés à risque et une identification précoce qui est un des buts majeurs des programmes de protection et de traitement des TSA.
Yehezkel Ben-Ari CEO Neurochlore, Président de IBEN
Références :
- Caly H, Rabiei H, Coste-Mazeu P, Hantz S, Alain S, Eyraud J-L, Chianea T, Caly C, Makowski D, Hadjikhani N, Lemonnier E, Ben-Ari Y. Machine learning analysis of pregnancy data enables early identification of a subpopulation of newborns with ASD. 2021. Scientific Reports in press.
www.nature.com/articles/s41598-021-86320-0 - Y Ben-Ari. Les 1000 premiers jours. Editeur HumenSciences, 2020 ; 213 pp
