Détection de la fatigue de conduite basée sur l’EEG

De face. Neurorobot., 11 février 2021h

ttps://doi.org/10.3389/fnbot.2021.618408

à l’aide d’une fonction de base radiale de hiérarchie d’apprentissage à deux niveaux

Ziwu Ren1,

Rihui Li2

Bin Chen 

3

Hongmiao Zhang 

1

Yuliang Ma 

3

Chushan Wang 

4,

Ying-Lin5 et

Yingchun Zhang*

  • 1 Centre de robotique et de microsystèmes, Université Soochow, Suzhou, Chine
  • 2 Département de génie biomédical, Université de Houston, Houston, TX, États-Unis
  • 3 College of Automation, Intelligent Control & Robotics Institute, Hangzhou Dianzi University, Hangzhou, Chine
  • 4 Hôpital provincial de réadaptation en cas d’accident du travail du Guangdong, Guangzhou, Chine
  • 5 Département de génie industriel, Université de Houston, Houston, TX, États-Unis

La détection de la fatigue au volant basée sur l’électroencéphalographie (EEG) a récemment attiré une attention croissante en raison de la nature non invasive, peu coûteuse et potable de la technologie EEG, mais il est toujours difficile d’extraire des caractéristiques informatives des signaux EEG bruyants pour la détection de la fatigue au volant . Le réseau de neurones à fonction de base radiale (RBF) a attiré beaucoup d’attention en tant que classificateur prometteur en raison de sa structure de réseau linéaire dans les paramètres, de sa forte capacité d’approximation non linéaire et de la propriété de généralisation souhaitée. Les performances du réseau RBF dépendent fortement des paramètres réseau tels que le nombre de nœuds cachés, le nombre de vecteurs centraux, la largeur et les poids de sortie. Cependant, les méthodes d’optimisation globale qui optimisent directement tous les paramètres du réseau entraînent souvent un coût d’évaluation élevé et une convergence lente. Pour améliorer la précision et l’efficacité du modèle de détection de fatigue de conduite basé sur l’EEG, cette étude vise à développer un réseau RBF à hiérarchie d’apprentissage à deux niveaux (RBF-TLLH) qui permet une optimisation globale des paramètres clés du réseau. Des données expérimentales d’EEG ont été recueillies, à la fois dans des états de fatigue et d’alerte, auprès de six participants en bonne santé dans un environnement de conduite simulée. L’analyse en composantes principales a d’abord été utilisée pour extraire les caractéristiques des signaux EEG, et le RBF-TLLH proposé a ensuite été utilisé pour l’état de conduite (fatigue de six participants en bonne santé dans un environnement de conduite simulée. L’analyse en composantes principales a d’abord été utilisée pour extraire les caractéristiques des signaux EEG, et le RBF-TLLH proposé a ensuite été utilisé pour l’état de conduite (fatigue de six participants en bonne santé dans un environnement de conduite simulée. L’analyse en composantes principales a d’abord été utilisée pour extraire les caractéristiques des signaux EEG, et le RBF-TLLH proposé a ensuite été utilisé pour l’état de conduite (fatiguecontre _ alerte). Les résultats ont démontré que l’approche RBF-TLLH proposée obtenait de meilleures performances de classification (précision moyenne : 92,71 % ; aire sous la courbe de fonctionnement du récepteur : 0,9199) par rapport à d’autres réseaux de neurones artificiels largement utilisés. De plus, seuls trois paramètres de base doivent être déterminés à l’aide des ensembles de données d’apprentissage dans le classificateur RBF-TLLH proposé, ce qui augmente sa fiabilité et son applicabilité. Les résultats démontrent que l’approche RBF-TLLH proposée peut être utilisée comme cadre prometteur pour une détection fiable de la fatigue au volant basée sur l’EEG.

Introduction

La fatigue au volant est une préoccupation mentale et physique typique qui affaiblit la capacité du conducteur à contrôler le véhicule ( Li Z. et al., 2017 ). Cela représente non seulement un risque important de blessures et de décès pour les conducteurs, mais également des blessures pour les autres usagers de la route tels que les passagers, les motocyclistes, les autres conducteurs et les piétons. Selon les données statistiques rapportées par l’Organisation mondiale de la santé, plus de 1,3 million de personnes sont tuées chaque année dans des accidents de la route principalement dus à la fatigue au volant ( Sahayadhas et al., 2012 ; Li Z. et al., 2017 ). Par conséquent, il est très important d’étudier les caractéristiques de la fatigue de conduite et de développer un système de détection automatique de la fatigue de conduite avec des performances de détection fiables ( Li Z. et al., 2017Sikander et Anwar, 2019 ).

Les méthodes actuellement disponibles pour la détection de la fatigue au volant peuvent être classées en trois catégories ( Sikander et Anwar, 2019 ): (1) approche basée sur la psychologie qui repose généralement sur des questionnaires psychométriques pour évaluer le niveau de fatigue d’un individu ( Michielsen et al., 2004 ), (2) approche basée sur la vidéo qui surveille généralement l’état comportemental et physique du conducteur, comme les traits du visage, la position de la tête, le temps de réaction, les erreurs de direction, la déviation de voie, etc. ( Akerstedt et al., 2005 ; Hsieh et Tai, 2013 ), et (3) une approche physiologique qui utilise les biosignaux associés à la fatigue au volant, comme l’électrooculographie (EOG) pour mesurer le mouvement de l’œil ( Hu et Zheng, 2009 ;Picot et al., 2012 ), électrocardiographie (ECG) pour détecter la variabilité de la fréquence cardiaque ( Jung et al., 2014 ), électroencéphalographie (EEG) pour évaluer l’état du cerveau ( Huang et al., 2016 ; Ma et al., 2019 , 2020 ), et l’électromyographie (EMG) pour mesurer l’activité musculaire ( Sikander et Anwar, 2019 ). Parmi eux, la mesure psychologique autodéclarée prend du temps et est subjective car elle repose sur les réactions subjectives du conducteur viaquestionnaires, ce qui rend impossible et peu fiable la détection en temps réel. Les approches basées sur la vidéo sont vulnérables aux facteurs environnementaux, tels que la luminosité, les conditions météorologiques, l’état des routes et d’autres facteurs, qui pourraient entraîner de mauvaises performances de détection ( Jimenez-Pinto et Torres-Torriti, 2012 ). L’EOG, l’ECG, l’EMG de surface et l’EEG ont tous été explorés en tant que mesures physiologiques pour la détection de la fatigue au volant, avec des avantages et des inconvénients spécifiques les uns par rapport aux autres ( Sikander et Anwar, 2019). Les électrodes doivent être placées sur la surface du corps, ce qui rend le système de nature intrusive. Par exemple, les signaux EOG sont récupérés par des électrodes placées près de l’œil, ce qui peut gêner la conduite. L’ECG peut être mesuré de manière moins intrusive, mais les signaux ECG ont montré une forte variance inter-sujets, ce qui peut compliquer le développement d’un système générique de détection de la fatigue au volant. L’applicabilité de l’EMG de surface dans la détection de la fatigue de conduite en temps réel est limitée ( Sikander et Anwar, 2019 ). L’EEG a été considéré comme une modalité prometteuse pour la détection de la fatigue au volant, en raison de sa haute résolution temporelle, de sa grande portabilité et de sa bonne sensibilité à l’état cérébral ( O’Hanlon et Kelley, 1977 ; Nguyen et al., 2019 ; Gao et al., 2020). En particulier, l’EEG peut être utilisé pour mesurer de manière non invasive l’activité électrique neuronale de la surface du cuir chevelu afin de fournir une évaluation directe de l’état de fatigue cérébrale ( Zhao et al., 2017 ; Sikander et Anwar, 2019 ). Cependant, la récupération du signal EEG à travers plusieurs électrodes est très sensible au bruit provenant de facteurs externes, et il est essentiel d’extraire des caractéristiques informatives des signaux EEG bruyants pour une application réussie de détection de la fatigue au volant.

Les réseaux de neurones ont été utilisés comme des outils prometteurs pour extraire des caractéristiques informatives des signaux EEG en raison de leur parallélisme de calcul massif qui ressemble à la façon dont le cerveau traite l’information ( Masic et Pfurtscheller, 1993 ). Récemment, de nombreuses études ont mis en œuvre des systèmes de détection de la fatigue au volant basés sur l’EEG en utilisant des techniques de réseau de neurones. Vuckovic et al. ont proposé un modèle de classification de la vigilance et de la somnolence à partir d’enregistrements EEG sur des sujets sains arbitraires, dans lequel le réseau de neurones artificiels (RNA) a été utilisé comme classificateur automatique ( Vuckovic et al., 2002). Yang et al. ont présenté un modèle de classification de la fatigue au volant basé sur une technique de fusion d’informations et un réseau neuronal dynamique. Les résultats expérimentaux ont indiqué que les caractéristiques dérivées de l’EEG étaient capables de détecter l’état de fatigue d’un conducteur ( Yang et al., 2010 ). De plus, Aruna et al. ont proposé une méthode récurrente de réseau neuronal flou auto-évolutif pour la détection de la fatigue au volant, dans laquelle le coefficient de corrélation de l’attention du conducteur était classé pour détecter la fatigue au volant ( Aruna et Kalaivani, 2016 ). Chai et al. ont présenté une structure de réseau neuronal bayésien à trois couches pour la classification binaire de la fatigue au volant, où la modélisation autorégressive (RA) a été utilisée comme algorithme d’extraction de caractéristiques ( Chai et al., 2017b). De plus, Chai et al. ont également proposé un modèle amélioré de classification de la fatigue au volant basé sur l’EEG, où le modèle AR a été utilisé pour l’extraction de caractéristiques, et le réseau de croyance clairsemé-profond (DBN clairsemé) a été utilisé pour la classification ( Chai et al., 2017a ). Des études récentes ont également démontré que le réseau de neurones à fonction de base radiale (RBF) était un classificateur prometteur en raison de sa structure de réseau linéaire dans les paramètres, de sa forte capacité d’approximation non linéaire et de la propriété de généralisation souhaitée. Li et al . ont démontré que la méthode de classification basée sur la fonction de base radiale présente des avantages en termes de précision de classification pour la classification des crises d’épilepsie en comparant avec cinq autres classificateurs ( Li Y. et al., 2017 ; Li et al., 2019). La régression vectorielle de support basée sur le noyau RBF a également obtenu de meilleures performances dans la prédiction de la fatigue par rapport aux autres fonctions du noyau dans l’étude de Bose et al. (2019) . Les performances du réseau RBF dépendent fortement des paramètres réseau, qui doivent être optimisés globalement pour de meilleures performances. Les paramètres du réseau RBF peuvent être estimés à l’aide des méthodes d’optimisation globale existantes ( Petković et al., 2016 ; Aljarah et al., 2018 ). Malheureusement, en raison d’un nombre relativement important de paramètres de réseau qui doivent être optimisés, les méthodes d’optimisation globale existantes présentent un coût de calcul élevé et une convergence lente et conduisent en outre à une faible précision de classification et à une faible efficacité du réseau RBF.

Dans cette étude, un réseau RBF à hiérarchie d’apprentissage à deux niveaux (RBF-TLLH) est développé pour améliorer les performances de la classification RBF. Dans le RBF-TLLH proposé, seuls trois paramètres de réseau RBF clés doivent être optimisés et, en tant que tels, peuvent être facilement optimisés globalement et efficacement. Plus précisément, le RBF-TLLH est construit en utilisant l’algorithme ROLS + D-opt, qui combine les moindres carrés orthogonaux régularisés (ROLS) et le plan expérimental d’optimalité D (D-opt) au niveau inférieur et l’optimisation de l’essaim de particules ( PSO) au niveau supérieur. L’algorithme PSO est utilisé pour optimiser globalement les trois paramètres de base de l’algorithme ROLS+D-opt afin d’améliorer les performances de classification. Comme les signaux EEG sont généralement mesurés avec plusieurs canaux à un taux d’échantillonnage élevé, l’analyse en composantes principales (PCA) (Hotelling, 1933 ) est utilisé pour réduire la dimensionnalité de l’espace de données d’origine ( Lever et al., 2017 ; Artoni et al., 2018 ) avant l’application du RBF-TLLH. Les performances de l’approche proposée sont évaluées sur la détection de la fatigue au volant et comparées à plusieurs réseaux de neurones artificiels largement utilisés, notamment le réseau de neurones artificiels basé sur la rétropropagation (BP), le réseau de neurones artificiels basé sur le PSO et le réseau RBF basé sur l’algorithme d’apprentissage ROLS+D-opt.

Matériaux et méthodes

Étudier le design

La structure globale du cadre de classification de la fatigue basé sur l’EEG proposé est illustrée à la figure 1 , qui se compose de cinq étapes : (1) collecte de données EEG dans un environnement de conduite simulé, (2) prétraitement et segmentation des données brutes, (3) réduction de la dimensionnalité et extraction de caractéristiques à l’aide de l’ACP ; (4) classification à l’aide du réseau RBF et (5) évaluation des performances.Figure 1

FIGURE 1 . Illustration schématique du réseau de fonctions à base radiale de la hiérarchie d’apprentissage à deux niveaux.

Participants et acquisition de données EEG

Les données EEG utilisées dans cette étude ont été recueillies auprès de six volontaires sains de sexe masculin (droitiers, âgés de 23 à 27 ans). Tous les volontaires avaient des permis de conduire valides et aucun participant n’avait d’antécédents de troubles physiques ou psychologiques. L’étude a été approuvée par le comité d’éthique local (Guangdong Provincial Work Injury Rehabilitation Center, Chine) et réalisée conformément à la Déclaration d’Helsinki. Chaque sujet a été pleinement informé du but de la recherche et a fourni un consentement éclairé écrit avant le début de l’expérience.

Un système de simulation de conduite (Shanghai Infrared Automobile Simulator Driving Equipment Co., Ltd., Chine) a été utilisé pour imiter un environnement de conduite réel pendant l’expérience. Comme le montre la figure 2 , le système de simulation de conduite comprend des simulations d’embrayages, de freins, d’accélérateurs et de scènes qui se composent de trois grands écrans et d’un logiciel de simulation hautes performances. Ce système peut imiter l’expérience de conduite réelle, comme l’évolution du trafic environnant. Les signaux EEG ont été enregistrés à l’aide d’un système d’acquisition EEG à 32 canaux (Brain Products GmbH, Allemagne), avec un taux d’échantillonnage de 500 Hz. Des électrodes EEG ont été placées sur le cuir chevelu selon le système standard international 10–20.Figure 2

FIGURE 2 . Le système de simulation de conduite et le dispositif d’acquisition EEG.

Avant le début de l’expérience, tous les participants ont été autorisés à pratiquer et à se familiariser avec le système de simulation de conduite. Les données EEG ont ensuite été recueillies pour deux états, alerte (non-fatigue) et fatigue. Pour collecter les données d’alerte, tous les sujets devaient maintenir un sommeil adéquat et naturel pendant environ 8 h pendant la nuit précédant l’expérience. Les données EEG ont été recueillies à 9 h le lendemain pendant environ 30 à 60 min pendant que les sujets exécutaient la tâche de simulation de conduite. Pour l’enregistrement des données d’alerte, le chemin a été tracé relativement compliqué pour éviter la somnolence des sujets. D’autre part, pour collecter les données de fatigue, tous les sujets ont été invités à dormir seulement 4 h pendant la nuit précédant l’expérience. Les données EEG ont également été enregistrées à 9 h pendant 30 à 60 min lorsque les sujets conduisaient dans l’environnement de simulation. L’expérience a été réalisée dans un laboratoire calme et non perturbé avec des températures ambiantes d’environ 22°C. Afin d’atteindre rapidement l’état de fatigue lors de la collecte de données sur la fatigue, une route longue et droite avec très peu de piétons a été utilisée dans l’environnement simulé. Pendant l’enregistrement des données, un observateur était assis à 2 m à côté du sujet et surveillait le comportement du sujet sans causer aucune perturbation au sujet. L’observateur décidait si le sujet était dans un état de fatigue ou dans un état d’alerte en observant les signes de somnolence du sujet (plus de 2 s de fermeture des yeux et de hochements de tête, grande déviation de la route). L’enregistrement des données EEG s’est terminé 30 minutes après que le sujet ait commencé à montrer des symptômes de fatigue.

Prétraitement et segmentation des données

Dans cette étude, des signaux EEG de 20 minutes dans chaque état (alerte ou fatigue) ont été collectés sur chaque sujet, et toutes les analyses de données ont été mises en œuvre dans un environnement MATLAB (2014a, MathWorks, Natick, Massachusetts). Les données EEG enregistrées ont d’abord été sous-échantillonnées de 500 à 200 Hz, et un filtrage passe-bande Butterworth de quatrième ordre (1 à 45 Hz) a ensuite été appliqué pour éliminer les artefacts tels que la dérive lente, le bruit à haute fréquence et la ligne électrique. ingérence. Les données EEG prétraitées de 20 minutes (1 200 s) pour chaque état ont ensuite été segmentées en appliquant une fenêtre temporelle de 10 s, ce qui a donné 120 échantillons pour chaque état (fatigue ou alerte). Il convient de noter que, dans cette étude, chaque échantillon est une forme matricielle à deux dimensions (32 canaux × 2 000 points). Ainsi, avec les six participants, un total de 1, 440 échantillons (720 échantillons pour l’alerte et 720 échantillons pour la fatigue) ont été formés pour l’extraction et la classification des caractéristiques. Pour chaque participant, le total de 240 échantillons a été divisé en l’ensemble de données d’entraînement avec 200 échantillons et l’ensemble de données de validation avec les 40 échantillons restants, où les échantillons EEG de fatigue et d’état d’alerte ont été répartis de manière égale. De plus, une validation croisée de 6 fois a été utilisée pour l’évaluation des performances.

Extraction de caractéristiques

Pour extraire les caractéristiques représentatives des grandes quantités de données EEG, la réduction de la dimensionnalité est d’abord effectuée pour réduire les dépenses de calcul et l’erreur de classification. L’ACP est une méthode non supervisée efficace et flexible pour la réduction de la dimensionnalité des données ( Hotelling, 1933 ). Pour un échantillon EEG donné ( m 32 canaux × 2 000 points), l’ACP transforme les données de l’échantillon dans un espace de dimension inférieure par le biais d’une projection orthogonale ou d’une transformation des points corrélés en variables de données non corrélées, appelées composantes principales (PC) ( Lever et al., 2017 ; Artoni et al., 2018 ). En fonction du taux de cotisation cumulatif prédéterminé, le premier rles composants avec les variances les plus importantes sont conservés. Le nombre préservé de PCs, r , est un paramètre important dans PCA. Dans cette étude, différentes valeurs r ont été testées à travers plusieurs essais, et les résultats ont montré que les 10 premiers PC représentaient plus de 80 % (le taux de contribution cumulé minimum est jusqu’à 82,13 %) de la variance totale des signaux d’origine pour tous Échantillons EEG. Par conséquent, les 10 premiers PC ont été conservés et l’échantillon EEG d’origine d’une taille de 32 sur 2 000 a été transformé en une matrice de dimension inférieure d’une taille de 32 sur 10. Ces échantillons de dimension inférieure ont été utilisés pour construire la classification de la fatigue au volant. maquette.

Modèle de classement

Un réseau RBF est un réseau neuronal prédictif à couche cachée unique qui est généralement contrôlé par plusieurs paramètres clés, notamment les vecteurs centraux, la largeur de la fonction de base et les poids de connexion des nœuds cachés à la sortie du réseau. Un réseau RBF avec n nœuds cachés et une seule sortie est illustré à la figure 3 , où les caractéristiques d’entrée sont d’abord transformées en nœuds cachés via n fonctions de base gaussiennes avec une largeur uniforme et différents vecteurs centraux. Les nœuds cachés sont en outre agrégés pour prédire la sortie du réseau via des poids de connexion. En désignant le vecteur d’entrée par x et la sortie par ỹ ) , le réseau RBF pourrait être représenté par :

ỹ ( x ) =∑je = 1nθjeexp ( -| | x- _cje| |2/ ρ )    ( 1 )ỹ(x)=∑i=1nθiexp(-||x-ci||2/ρ)    (1)

où i ( i = 1, ⋯ , n ) sont les vecteurs centraux, ρ est la largeur des fonctions de base gaussiennes, θ i ( i = 1, ⋯ , n ) sont les poids et ||·|| est la norme euclidienne.Figure 3

ILLUSTRATION 3 . Réseau de fonctions à base radiale pour le modèle de classification de la fatigue au volant basé sur l’EEG.

Algorithme d’apprentissage intégré ROLS+D-opt

Afin de construire un modèle avec de bonnes performances, dans cette étude, nous adoptons un algorithme d’apprentissage intégré (ROLS + D-opt) pour former le modèle en combinant les moindres carrés orthogonaux régularisés et le plan expérimental D-optimal. Les techniques de régularisation ROLS améliorent les propriétés de généralisation, et le plan expérimental de D-optimalité améliore encore l’efficacité et la robustesse du modèle ( Hong et Harris, 2002 ; Chen et al., 2003 ). En désignant l’entrée et la sortie du k ème échantillon par x ( k ) et y ( k ), respectivement, un ensemble d’apprentissage de N échantillons pourrait être représenté par{ y( k ) , x ( k ) }Nk = 1{y(k),x(k)}k=1N. Pour formuler le réseau comme un problème linéaire dans les paramètres, chaque entrée d’échantillon est considérée comme un centre candidat dans RBF, c’est-à-dire, i = x ( i ), i = 1, …, N . Par conséquent, le i ème nœud caché sur le k ème échantillon, noté ϕ i ( k ), pourrait être représenté parϕje( k ) = e X p ( -| | X ( k ) – X ( je ) ||2ρ)ϕi(k)=exp(-||x(k)-x(i)||2ρ). La sortie souhaitée y ( k ) peut être exprimée comme

y( k ) = ỹ ( k ) + e ( k ) =∑je = 1Nθjeϕje( k ) + e ( k ) 1 ≤ k ≤ N    ( 2 )y(k)=ỹ(k)+e(k)=∑i=1Nθiϕi(k)+e(k)1≤k≤N    (2)

où e ( k ) est l’erreur entre y ( k ) et la sortie réelle du réseau ỹ( k ), θ i sont les poids de sortie et N est le nombre d’échantillons dans l’ensemble de données d’apprentissage. L’algorithme d’apprentissage ROLS+D-opt intégré transforme d’abord le modèle (2) en une forme matricielle et effectue une décomposition orthogonale sur la matrice de régression, qui décompose la matrice de régression en une matrice avec des colonnes orthogonales et une matrice triangulaire supérieure. Plus précisément, le modèle de régression dans (2) peut être décrit comme :

y =Φθ+ e = W UNE θ+ e = W g + e    ( 3 )y=Φθ+e=WAθ+e=Wg+e    (3)

où y est le vecteur de sortie, Φ est la matrice de régression, θ est le vecteur de pondération et e est le vecteur d’erreur. La matrice de régression Φ pourrait être décomposée en deux matrices, W et A , où W = w1 , ⋯ , wN ] a des colonnes orthogonales qui satisfontwJjewj=0 ( je , j=1 ,⋯,N) wTwj=0(je,j=1,⋯,N)pour i ≠ j , et A est une matrice triangulaire supérieure à éléments diagonaux unitaires. La matrice triangulaire supérieure multiplie encore le vecteur de poids pour construire un vecteur de poids orthogonal, c’est-à-dire,g=[g1,⋯,gN]J =Aθ g=[g1,⋯,GN]T=Aθ. Ensuite, l’algorithme d’apprentissage ROLS+D-opt intégré effectue une procédure de sélection directe de sous-ensemble à partir du modèle de régression complet, qui est basé sur le critère de minimisation suivant (Chen et al., 2003 ) :

JCR( g, λ , β) =JR( g, λ ) + β∑je = 1N− journal (wJjewje) =eJe +λgJg +                          β∑je = 1N− journal (wJjewje)( 4 )JCR(g,λ,β)=JR(g,λ)+β∑je=1N-Journal(wjeJwje)=eJe+λgJg+                          β∑je=1N-Journal(wjeJwje)    (4)

oùJR( g, λ ) =eJe +λgJgJR(g,λ)=eJe+λgJgest le critère d’erreur régularisé, λ ≥ 0 est un paramètre de régularisation et β est une petite pondération positive fixe pour le coût de D-optimalité. Le taux de réduction d’erreur est défini comme suit :

[ c r e r r ]je= ( (wJjewje+ λ )g2je+ βjournal (wJjewje) ) /yJy( 5 )[crerr]je=((wjeJwje+λ)gje2+βJournal(wjeJwje))/yJy    (5)

Sur la base du ratio dans (5), les régresseurs significatifs sont sélectionnés dans une procédure de régression directe, et la procédure de sélection est terminée lorsque ( Chen et al., 2003 ) :

[ c r e r r ]je≤ 0 , fou _ ns+ 1 ≤ l ≤ N( 6 )[crerr]je≤0,For ns+1≤je≤N    (6)

Hiérarchie d’apprentissage à deux niveaux Algorithme d’apprentissage en réseau RBF

Dans l’algorithme d’apprentissage ROLS+D-opt intégré, tous les centres candidats du réseau sont choisis parmi les vecteurs d’entrée des échantillons d’apprentissage, et les poids de sortie θ i dans (1) peuvent être obtenus par un algorithme d’apprentissage linéaire ( Chen et al., 2003 ). Par conséquent, seuls la largeur uniforme ρ , le paramètre de régularisation λ et le paramètre de pondération D-optimalité β doivent être déterminés dans l’algorithme ROLS + D-opt. Le choix de ces trois paramètres a une grande influence sur les performances du réseau RBF ( Hong et al., 2003Chen et al., 2009 ). Une méthode d’optimisation globale est nécessaire pour déterminer la combinaison optimale de ces trois paramètres.

Un schéma de hiérarchie d’apprentissage à deux niveaux (TLLH) est proposé en combinant les algorithmes PSO et ROLS + D-opt pour former le réseau RBF, comme le montre la figure 4. Avec les valeurs de la fonction de fitness données au niveau inférieur, PSO (Kennedy et Eberhart, 1995Shi et Eberhart, 1995 ) est utilisé pour apprendre la largeur ρ, le paramètre de régularisation λ et le paramètre de pondération D-optimalité β de l’algorithme intégré (ROLS +D-opt) au niveau supérieur, tandis que le niveau inférieur consiste en p algorithme d’apprentissage intégré parallèle ROLS+D-opt pour chaque ensemble de paramètres, [λ, ρ, β], fourni par le PSO. p est la taille de l’essaim du PSO, c’est-à-dire qu’il y a pparticules dans l’algorithme PSO. PSO, comme une méthode d’optimisation intelligente en essaim, a la caractéristique du calcul parallèle. Dans cette étude, tous les échantillons EEG sont divisés en un ensemble d’apprentissage et un ensemble de validation. Le i -ème algorithme ROLS + D-opt construit un réseau RBF en utilisant l’ensemble de données d’apprentissage avec une particule donnée [λ i, ρ i, β i ] et l’erreur quadratique moyenne (MSE) sur l’ensemble de validation du RBF résultant modèle est défini comme la fonction de fitness de l’algorithme PSO :

min f( K) =1nc∑k = 1nc( y( X ( k ) )-ỹ ( X ( k ) ) )2( 7 )minF(K)=1nc∑k=1nc(y(X(k))-ỹ(X(k)))2    (sept)

où K = [λ i, ρ i, β i ] représente la particule, y ( x ( k ) est la sortie souhaitée de l’échantillon de validation, ỹ( x ( k )) est la sortie réelle du réseau et c est la taille de l’ensemble de validation Plus la valeur de fitness est petite, meilleures sont les performances de généralisation du réseau ( Chen et al., 19992008 ).

La complexité de calcul de ce schéma TLLH est déterminée par le nombre total d’évaluations de fonctions au niveau supérieur. En supposant que la taille de l’essaim du PSO est p, la génération évolutive est T, et la complexité de l’algorithme ROLS+ D-opt est ROLS+D−opt. Ensuite, la complexité du schéma TLLH est

CTLLH= p × T×CROLS + D − opter    ( 8 )CTLLH=p×T×CROLS+D-opt    (8)

puisque le PSO n’est utilisé que pour optimiser trois paramètres de l’algorithme d’apprentissage ROLS+D-opt intégré, et le niveau inférieur présente un problème d’apprentissage linéaire. L’exigence de calcul globale de ce schéma est beaucoup plus petite que celle du schéma où un PSO est directement utilisé pour déterminer la structure du réseau RBF ainsi que pour apprendre tous les paramètres du réseau ( Billings et Zheng, 1995 ).Figure 4

ILLUSTRATION 4 . L’architecture de la hiérarchie d’apprentissage à deux niveaux dans les réseaux de fonctions à base radiale.

Évaluation des performances

Pour évaluer les performances de l’approche proposée, le RBF-TLLH proposé a été appliqué à l’ensemble de données de classification de la fatigue au volant et comparé aux modèles de réseau de neurones de pointe, y compris le RBF basé sur l’algorithme ROLS + D-opt ( RBF-ROLS+D-opt) ( Chen et al., 2003 ), ANN avant à trois couches avec rétropropagation (ANN-BP) ( Zaw et al., 2019 ; Zhang et Pu, 2020 ) et trois couches ANN avant avec optimisation PSO (ANN-PSO) ( Li et Liu, 2016 ). Le RBF basé sur l’algorithme ROLS+D-opt (RBF-ROLS+D-opt) a été largement utilisé en raison de sa robustesse, de la rareté des paramètres et de la facilité de mise en œuvre ( Chen et al., 2003). ANN-BP a la capacité d’approximer la fonction non linéaire avec une précision arbitraire ; par conséquent, il a été largement appliqué à divers problèmes de classification ( Zaw et al., 2019 ; Zhang et Pu, 2020 ). L’ANN avant à trois couches avec optimisation PSO (ANN-PSO) est également largement utilisé en raison de ses avantages tels qu’une mise en œuvre facile, moins de paramètres d’ajustement et une convergence rapide ( Li et Liu, 2016). Les poids et seuils initiaux sont générés de manière aléatoire dans l’intervalle [−1, 1] dans l’ANN-BP, l’époque maximale est fixée à 1 000 et le taux d’apprentissage est de 0,01. La MSE de l’ensemble de données d’apprentissage est minimisée en tant que fonction objectif dans l’ANN-PSO. La plage des paramètres variables est définie sur [−1, 1], la taille de l’essaim est définie sur 30 et les itérations évolutives sont définies sur 60. Selon la formule empirique, les nœuds cachés de ces deux classificateurs ANN sont tous deux définis sur 30. De plus, afin d’éviter le sur-ajustement ou le sur-entraînement dans le réseau ANN, une stratégie d’arrêt précoce basée sur la validation est utilisée pour sélectionner les meilleurs paramètres d’entraînement. Figure 5montre la courbe MSE de l’ensemble d’apprentissage et de l’ensemble de validation pour la classification. On peut voir que le meilleur numéro d’itération de l’ANN-BP est 79, et le meilleur numéro d’itération de l’ANN-PSO est 43, pour ce résultat d’apprentissage, selon la courbe MSE de l’ensemble de validation.Figure 5

ILLUSTRATION 5 . Erreur quadratique moyenne (MSE) de l’ensemble d’apprentissage et de validation pour l’arrêt précoce du classifieur. (A) Formation et validation MSE de réseau de neurones artificiels (ANN)-rétro-propagation. (B) Formation et validation MSE de l’optimisation des essaims de particules ANN.

La technique de régularisation est employée dans la fonction de critère (4) dans le TLLH-RBF proposé pour éviter le problème de sur-ajustement et améliorer la précision de la classification du réseau RBF. Le coût d’optimalité D est introduit pour améliorer encore l’efficacité et la robustesse du modèle de sous-ensemble sélectionné. Les paramètres, y compris la largeur RBF, le paramètre de régularisation et le paramètre de pondération D-optimalité, sont respectivement définis dans la plage ρ ∈ [1, 220], λ ∈ [ 10−7 , 1] et β ∈ [ 10− 7 , 1], et optimisé à l’aide du PSO. La taille de l’essaim pde PSO est fixé à 15 et le nombre d’itérations évolutives est fixé à 30. Pour une comparaison plus approfondie, un autre classificateur de réseau RBF basé sur l’algorithme ROLS + D-opt est également conçu, où les paramètres de largeur et D-optimalité sont déterminés comme ρ = 110 et β = 10−4 , respectivement, par la méthode des essais et erreurs, alors que le paramètre de régularisation λ est estimé par l’approche bayésienne (MacKayi, 1992 ; Chen et al., 1996 ).

Les résultats de classification obtenus par les quatre modèles de réseaux neuronaux susmentionnés ont été comparés les uns aux autres. Dans tous ces modèles de classification, lorsque la sortie réelle du réseau est > 0,5, le modèle la classe comme 1 (état de fatigue) ; sinon, le modèle le classe comme 0 (état d’alerte). Tous les échantillons sont d’abord normalisés avant que l’ANN ne soit formé pour éviter que les poids ANN ne soient trop grands.

Résultats

Le tableau 1 résume la précision de la classification dans la détection de la fatigue au volant telle qu’obtenue par les quatre modèles de classification utilisant une validation croisée de 6 fois pour chaque sujet. Les résultats montrent que le classificateur RBF-TLLH atteint la plus grande précision pour tous les sujets dans la classification de la fatigue par rapport aux états d’alerte, avec une valeur moyenne de 92,71 ± 6,26 %. Dans l’ensemble, les classificateurs ANN obtiennent une précision de classification inférieure à celle des classificateurs basés sur RBF. Le test t apparié a été utilisé pour la comparaison statistique, comme le montre la figure 6, montrant que le classificateur RBF-TLLH proposé surpasse de manière significative les deux autres classificateurs ANN (p< 0,05) alors que le RBF basé sur ROLS + D-opt ne le fait pas. Bien qu’aucune différence significative ne soit observée entre ces deux classificateurs différents basés sur RBF, le RBF-TLLH atteint une plus grande précision et produit une variance plus faible que le réseau RBF ROLS + D-opt, ce qui suggère que le RBF-TLLH proposé est plus précis et robuste. classificateur dans la détection de fatigue de conduite EEG dans ces deux classificateurs basés sur RBF.Tableau 1

TABLEAU 1. Précision moyenne (%) de la validation croisée 6 fois pour chaque sujet en utilisant différents classificateurs.Figure 6

ILLUSTRATION 6. Diagramme à barres des précisions moyennes lors de l’utilisation de différents classificateurs. *significativement différent du contrôle ( p < 0,05) ; **significativement différent du contrôle ( p < 0,005).

Pour évaluer plus en détail les performances de classification du RBF-TLLH proposé, six mesures comprenant le vrai positif (TP), le vrai négatif (TN), le faux positif (FP), le faux négatif (FN), la spécificité/le taux de vrai négatif [TNR = TN /(TN + FP)], et la sensibilité/taux de vrais positifs [TPR = TP/(TP + FN)] (Chai et al., 2017a ,b ), sont calculés à partir de tous les sujets et résumés dans le tableau 2. Comparé aux modèles ANN-BP et ANN-PSO, le modèle de réseau RBF-TLLH présente les meilleures performances quelles que soient la spécificité, la sensibilité et la précision. De plus, le modèle RBF-TLLH surpasse de manière significative le modèle RBF basé sur ROLS + D-opt en termes de sensibilité, démontrant la supériorité de l’approche proposée pour détecter la fatigue au volant. Comparé au RBF basé sur ROLS + D-opt, le modèle RBF-TLLH proposé atteint une spécificité légèrement inférieure, mais une précision et une sensibilité beaucoup plus élevées.Tableau 2

TABLEAU 2. Résultats de la classification de l’étatdefatiguevs. état d’alerte pour le jeu de validation.

L’analyse de la courbe des caractéristiques de fonctionnement du récepteur (ROC) est également effectuée et les résultats sont résumés à la Figure 7. La courbe ROC est un tracé de TPR par rapport au taux de faux positifs (spécificité FPR/1) en faisant varier différents rapports de seuil en tant que variable de balayage. Un modèle de classification aléatoire devrait montrer une ligne droite reliant (0, 0) à (1, 1) (ligne diagonale tiret-point sur la figure 7 ). Toute courbe ROC située dans le triangle inférieur droit indique que le classifieur est pire que la supposition aléatoire, tandis que la courbe ROC située dans le triangle supérieur gauche indique que le modèle fonctionne mieux que la supposition aléatoire (Fawcett, 2006Chai et al. , 2017b). L’aire sous la courbe (AUC) de la courbe ROC est ensuite calculée pour évaluer les performances du modèle. Comme le montre la figure 7, le RBF-TLLH proposé atteint la meilleure courbe ROC en haut à gauche et donne la valeur AUC la plus élevée (0,9199) parmi tous les classificateurs, démontrant les meilleures performances dans la détection de la fatigue au volant.Figure 7

ILLUSTRATION 7. Tracé des caractéristiques de fonctionnement du récepteur avec les valeurs d’aire sous la courbe pour différents modèles de classification : (1) réseau de neurones artificiels (ANN) utilisant l’algorithme de rétropropagation, (2) ANN utilisant l’optimisation de l’essaim de particules, (3) réseau de fonction de base radiale (RBF) utilisant Algorithme ROLS + D-opt et (4) réseau RBF utilisant la méthode de hiérarchie d’apprentissage à deux niveaux.

Discussion

L’EEG présente les avantages d’être non invasif et d’avoir une résolution temporelle élevée pour la mesure de l’activité cérébrale et a été largement considéré comme un bon indicateur de la transition entre les états d’alerte et de fatigue. La densité spectrale de puissance (PSD), qui convertit le domaine temporel des données EEG dans le domaine fréquentiel, a été largement utilisée dans les études traditionnelles de détection de fatigue basées sur l’EEG. Les signaux EEG peuvent alors être généralement divisés en cinq bandes, à savoir Delta (0,5–4 Hz), Theta (4–8 Hz), Alpha (8–13 Hz), Beta (13–30 Hz) et Gamma (30– 42 Hz), selon les caractéristiques de fréquence et d’amplitude ( Sikander et Anwar, 2019 ). Il a été constaté que l’augmentation des fuseaux de la bande alpha de l’EEG est associée à l’état de fatigue lorsque les participants se produisent dans l’environnement de conduite monotone réel (Simon et al., 2011 ). Il a également été démontré que l’EEG est sensible aux fluctuations de la vigilance et qu’il prédit la dégradation des performances due à une charge mentale soutenue. Lors de la tâche de conduite monotone, les bouffées EEG alpha seront dominantes dans les canaux EEG central et postérieur, ce qui est un signal de somnolence et de vigilance réduite ( Simon et al., 2011 ).

En prenant le sujet 1 et le sujet 3 comme exemples, la figure 8 montre les distributions PSD des bandes d’ondes alpha (8–13 Hz) et entières (1–45 Hz) des deux états (alerte et fatigue), respectivement. On peut observer que les distributions de PSD entre les états d’alerte et de fatigue montrent une différence caractéristique apparente. La différence de PSD entre les états d’alerte et de fatigue du sujet 3 est également plus significative par rapport aux distributions de PSD du sujet 1. Ceci est cohérent avec les résultats du tableau1lors de l’utilisation du classificateur RBF-TLLH, c’est-à-dire que la précision de classification moyenne obtenue dans le sujet 3 (100 %) est supérieure à celle obtenue dans le sujet 1 (89,58 %). De plus, en ce qui concerne les distributions PSD des sujets pendant l’état de fatigue, la bande alpha des signaux EEG transporte la majorité des informations parmi l’ensemble des distributions PSD. Ces résultats confirment que l’EEG présente une différence distincte de caractéristiques entre les états d’alerte et de fatigue, démontrant la faisabilité de l’utilisation de l’EEG comme approche efficace pour détecter la fatigue au volant.Figure 8

ILLUSTRATION 8. Distributions de densité spectrale de puissance (PSD) des signaux EEG pour les sujets 1 et 3.(A) Distributions PSD de la bande alpha des signaux EEG dans l’état d’alerte (a1) et dans l’état de fatigue (a2). Distributions PSD de la bande entière des signaux EEG en état d’alerte (a3) ​​et en état de fatigue (a4) pour le sujet 1. (B) Distributions PSD de la bande alpha des signaux EEG en état d’alerte (b1) et en état de fatigue (b2). Distributions PSD de toute la bande des signaux EEG dans l’état d’alerte (b3) et dans l’état de fatigue (b4) pour le sujet 3.

Bien que les signaux EEG fournissent des caractéristiques distinctes associées aux états d’alerte et de fatigue du cerveau, il est toujours nécessaire et critique de développer un classificateur performant afin de surveiller l’altération de l’état du cerveau pendant la conduite. Des études ont démontré que le réseau neuronal RBF est un classificateur prometteur en raison de sa structure de réseau linéaire dans les paramètres, de sa forte capacité d’approximation non linéaire et de sa propriété de généralisation nécessaire (Li Y. et al., 2017Bose et al., 2019Li et al., 2019). Les performances du réseau RBF dépendent fortement du nombre de nœuds cachés, des vecteurs considérables et des poids de sortie. Ces paramètres peuvent être informés à l’aide de certaines méthodes d’optimisation globale ; Cependant, l’optimisation directe de tous les paramètres à l’aide de l’algorithme d’optimisation globale est entraînée par le coût d’évaluation élevé et la convergence lente. Cette étude vise à améliorer les performances du modèle de classification de la fatigue au volant basé sur l’EEG en utilisant un réseau RBF à hiérarchie d’apprentissage à deux niveaux (RBF-TLLH). Le RBF-TLLH est intégré en intégrant l’algorithme ROLS+D-opt, qui combine les moindres carrés orthogonaux régularisés et le plan expérimental de D-optimalité au niveau inférieur et le PSO au niveau supérieur.

Au niveau inférieur du RBF-TLLH, l’algorithme d’apprentissage ROLS + D-opt est utilisé. Avec l’algorithme d’apprentissage ROLS + D-opt, tous les centres candidats du réseau RBF sont choisis parmi les vecteurs d’entrée des échantillons d’apprentissage, et les poids de sortie dans (1) peuvent être obtenus par un algorithme d’apprentissage linéaire (Chen et al., 2003 ). De plus, toute la procédure de construction du modèle de réseau RBF se termine automatiquement lorsque la condition (6) est atteinte. Par conséquent, il ne reste que trois paramètres dans l’algorithme ROLS + D-opt, à savoir la largeur uniforme, le paramètre de régularisation et le paramètre de pondération D-optimalité, à déterminer. Au niveau supérieur du RBF-TLLH, le PSO est utilisé. PSO est généralement caractérisé comme un algorithme avec un concept simple, une mise en œuvre facile et une bonne efficacité de calcul(Kennedy et Eberhart, 1995Shi et Eberhart, 1995 ). En tant que méthode d’optimisation intelligente en essaim, PSO a la caractéristique d’un calcul parallèle. Par conséquent, PSO est utilisé pour optimiser les trois paramètres de base de l’algorithme ROLS + D-opt au niveau supérieur, tandis que l’algorithme ROLS + D-opt construit automatiquement des réseaux RBF au niveau inférieur pour améliorer les performances de classification. Comme le montrent les tableaux 12, le réseau RBF obtenu à partir de la hiérarchie d’apprentissage proposée a démontré ses performances supérieures avec une précision de classification moyenne de 92,71 % et une valeur AUC-ROC de 0,9199 par rapport à d’autres méthodes, ce qui en fait un candidat prometteur pour la fatigue au volant. détection à l’avenir.

Les données expérimentales EEG ont été recueillies chez six sujets sains dans un environnement de conduite simulée et ont été utilisées pour évaluer les performances de l’algorithme RBF-TLLH proposé en le comparant à trois autres classificateurs. Les résultats montrent que le RBF-TLLH proposé permet d’obtenir une augmentation substantielle de la précision de la classification par rapport aux autres approches. En particulier, la sensibilité du modèle RBF-TLLH proposé est beaucoup plus élevée que les trois autres méthodes. Les performances de haute sensibilité suggèrent que le système de détection de fatigue de conduite basé sur RBF-TLLH est plus sensible dans la détection des états de fatigue, ce qui est essentiel pour assurer une conduite sûre.

Il convient de noter qu’avant la classification à l’aide de la méthode RBF-TLLH, l’ACP est nécessairement adoptée pour atténuer le problème de haute dimension des signaux EEG multicanaux. Dans cette étude, la méthode PCA a été appliquée pour la réduction de la dimensionnalité des signaux EEG, et les 10 premiers PC de chaque canal ont été sélectionnés pour obtenir une meilleure puissance de détection de la fatigue au volant. Apparemment, le nombre de PC conservés affecterait les performances de l’extraction des caractéristiques, ce qui affecterait davantage les performances du modèle de détection de la fatigue de conduite. Ce nombre de PC préservés est déterminé sur la base de calculs d’essais multiples pour s’assurer que les PC préservés représentent plus de 80 % de la variance totale des signaux d’origine.

Les performances de classification du réseau de neurones sont directement liées à sa structure de réseau et à ses poids. Pour le classificateur ANN, l’ANN avant à trois couches est formé avec 320 nœuds d’entrée, 30 nœuds cachés et un nœud de sortie, ce qui donne 9 661 paramètres de poids et de seuil à optimiser. Il est généralement très difficile de traiter un tel problème d’optimisation de grande dimension pour l’algorithme de rétropropagation (BP) principalement parce que l’algorithme BP basé sur le gradient est sensible aux paramètres initiaux et facilement piégé dans le problème des minima locaux ( McLoone et al., 1998). Le phénomène prématuré et de stagnation se produira également au cours de la dernière étape de l’évolution lorsque le PSO résoudra ce problème complexe. Ces lacunes entraînent finalement la mauvaise performance du classificateur basé sur ANN pour classer la fatigue au volant.

L’efficacité du calcul est également attribuée dans cette étude pour tester la efficacité de l’application du classificateur RBF-TLLH proposée dans la détection de la fatigue au volant en temps réel. Pendant le processus de classification en temps réel, sur la base des caractéristiques obtenues et des paramètres du réseau RBF pour le système de détection, le classificateur peut déterminer rapidement le résultat de la détection de la fatigue au volant grâce à l’équation (1) . Les résultats des tests ont montré que le temps d’exécution n’est que d’environ 0,011 s dans un environnement MATLAB [un processeur Intel(R) Core(TM) i7-4500U à 1,8 GHz, 8 Go de RAM]. Cela s’explique par le fait qu’il n’est pas nécessaire de réentraîner le classificateur pour l’opération de classification en temps réel. Plus précisément,

Malgré les améliorations obtenues dans cette étude, il existe des limites qui peuvent être évoquées dans les études futures. Seuls six sujets ont participé à l’expérience de simulation de la fatigue au volant, de sorte que la taille de l’échantillon de cette étude est faible. Nos efforts futurs seront attribués à la collecte d’un plus grand nombre d’échantillons provenant de tests de fatigue de conduite simulée ou réels afin d’évaluer plus en détail les performances du RBF-TLLH proposées dans la détection de la fatigue de conduite. En outre, les modèles de réseaux neuronaux profonds ont suscité une attention croissante ces dernières années en raison de leur puissante capacité d’ajustement non linéaire, de leur capacité de traitement de données de grande dimension, de leur grande tolérance aux pannes et de leur forte capacité d’extraction de caractéristiques. Le RBF-TLLH proposé sera comparé à des modèles de réseaux neuronaux profonds, tels que le LSTM, afin d’améliorer plus précisément ses performances dans la détection de la fatigue au volant. En outre, des recherches récentes sur l’analyse latente ont prouvé sa puissance dans l’extraction de caractéristiques, et cette méthode sera utilisée dans une étude future(Wu et al., 20192020 ). Enfin, l’étiquetage des états de conduite pour un échantillon de plus grande taille pourrait être coûteux et prendre du temps. Afin de résoudre ce problème, des algorithmes de classification semi-supervisée seront considérés dans les travaux futurs ( She et al., 201820192020abWu et al., 2018ab ).

Conclusion

Dans cette étude, un réseau RBF à hiérarchie d’apprentissage à deux niveaux a été développé pour la détection de la fatigue au volant basée sur l’EEG afin d’optimiser les performances de classification (fatigue vs alerte). Les résultats expérimentaux montrent que la méthode proposée atteint une performance de classification supérieure par rapport aux autres méthodes en termes de précision de prédiction et d’efficacité de calcul. En raison du nombre nettement inférieur de paramètres de base à déterminer pour la formation du classificateur RBF, cette approche proposée présente une excellente facilité d’utilisation et de grandes possibilités d’application potentielles pour la détection de la fatigue au volant à l’avenir.

Déclaration de disponibilité des données

Les données brutes soutenant les conclusions de cet article seront mises à disposition par les auteurs, sans réserve indue.

Déclaration d’éthique

Les études impliquant des participants humains ont été examinées et approuvées par l’hôpital provincial de réadaptation des accidents du travail du Guangdong. Les patients/participants ont fourni leur consentement éclairé écrit pour participer à cette étude.

Les contributions de l’auteur

ZR a conçu cette étude et a contribué à la conception expérimentale. ZR a effectué l’analyse informatique avec l’aide de BC et HZ. CW et YM ont contribué au recrutement des sujets et à la collecte de données. ZR, RL, YL et YZ ont analysé les résultats et préparé le manuscrit. Tous les auteurs ont examiné les résultats et approuvé le manuscrit final.

Financement

Cette étude a été soutenue en partie par la Fondation nationale des sciences naturelles de Chine (n° 51675358), le State Key Laboratory of Robotics and Systems (HIT) (n° SKLRS-2020-KF-01) et l’Université de Houston.

Conflit d’intérêt

Les auteurs déclarent que la recherche a été menée en l’absence de toute relation commerciale ou financière pouvant être interprétée comme un conflit d’intérêts potentiel.

Remerciements

Les auteurs tiennent à remercier le Dr Chuan Zhang pour sa discussion et ses commentaires utiles.

Références

Akerstedt, T., Peters, B., Anund, A., et Kecklund, G. (2005). Altération de la vigilance et des performances lors du retour à la maison après un quart de nuit : une étude sur simulateur de conduite. J. Sleep Res. 14, 17-20. doi : 10.1111/j.1365-2869.2004.00437.x

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Aljarah, I., Faris, H., Mirjalili, S., et AI-Madi, N. (2018). Formation de réseaux de fonctions de base radiale en utilisant un optimiseur basé sur la biogéographie. Calcul neuronal. Appl. 29, 529-553. doi : 10.1007/s00521-016-2559-2

Texte intégral CrossRef | Google Scholar

Artoni, F., Delorme, A., et Makeig, S. (2018). L’application de la réduction de la dimension aux données EEG par l’analyse en caractéristiques principales réduit la qualité de sa décomposition ultérieure en caractéristiques indépendantes. Neuroimage 175, 176-187. doi : 10.1016/j.neuroimage.2018.03.016

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Aruna, DB et Kalaivani, A. (2016). Système de détection et d’avertissement de fatigue du conducteur en temps réel basé sur un réseau de neurones flous utilisant des ondes EEG. Asian J. Res. Soc. Sci. Hum. 6, 791–812. doi : 10.5958/2249-7315.2016.00153.2

Texte intégral de la référence croisée | Google Scholar

Billings, SA et Zheng, GL (1995). Configuration d’un réseau de fonctions à base radiale à l’aide d’algorithmes génétiques. Réseau neuronal. 8, 877–890. doi : 10.1016/0893-6080(95)00029-Y

Texte intégral de la référence croisée | Google Scholar

Bose, R., Wang, H., Dragomir, A., Thakor, N., Bezerianos, A. et Li, J. (2019). Estimation de la fatigue de conduite continue basée sur la régression : vers une mise en œuvre pratique. IEEE Transac. Conn. Dév. Syst. 12, 323–331 doi : 10.1109/TCDS.2019.2929858

Texte intégral de la référence croisée | Google Scholar

Chai, R., Ling, SH, San, PP, Naik, GR, Nguyen, TN, Tran, Y., et al. (2017a). Amélioration de la classification de la fatigue du conducteur basée sur l’EEG à l’aide de réseaux de croyances clairsemés-profonds. De face. Neurosci. 11:103. doi : 10.3389/fnins.2017.00103

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Chai, R., Naik, GR, Nguyen, TN, Ling, SH, Tran, Y., Craig, A., et al. (2017b). Classification de la fatigue du conducteur avec composante indépendante par analyse de minimisation liée au taux d’entropie dans un système basé sur l’EEG. IEEE J. Biomed. Informer sur la santé. 21, 715–724. doi : 10.1109/JBHI.2016.2532354

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Chen, J., Ren, Z. et San, Y. (2008). Une hiérarchie d’apprentissage à deux niveaux pour les réseaux de fonctions à base radiale. Théorie du contrôle Appl. 25, 655–660. doi : 10.7641/j.issn.1000-8152.2008.4.012

Texte intégral de la référence croisée | Google Scholar

Chen, S., Chng, ES et Alkadhimi, K. (1996). Algorithme des moindres carrés orthogonaux régularisés pour la construction de réseaux de fonctions à base radiale. Int. J.Contr. 64, 829–837. doi: 10.1080/00207179608921659

Texte intégral de la référence croisée | Google Scholar

Chen, S., Hong, X. et Harris, C. (2003). Modélisation de régression à noyau creux utilisant des moindres carrés orthogonaux régularisés localement combinés et un plan expérimental D-optimal. IEEE Trans. Automat. Contre. 48, 1029-1036. doi : 10.1109/TAC.2003.812790

Texte intégral de la référence croisée | Google Scholar

Chen, S., Hong, X., Luk, BL et Harris, CJ (2009). Construction de réseaux de fonctions de base radiale accordables à l’aide de la sélection directe orthogonale. IEEE Transac. Syst. Homme Cybernet. Partie B 39, 457–466. doi : 10.1109/TSMCB.2008.2006688

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Chen, S., Wu, Y. et Luk, B. (1999). Optimisation d’algorithmes génétiques combinés et apprentissage par les moindres carrés orthogonaux régularisés pour les réseaux de fonctions à base radiale. IEEE Transac. Réseau neuronal. 10, 1239-1243. doi: 10.1109/72.788663

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

En ligneFawcett, T. (2006). Introduction à l’analyse ROC. Reconnaissance de modèle. Lett. 27, 861–874. doi : 10.1016/j.patrec.2005.10.010

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Gao, Y., Wang, X., Potter, T., Zhang, J. et Zhang, Y. (2020). Essai unique EEG Reconnaissance des émotions à l’aide de l’analyse de causalité/entropie de transfert de Granger. J. Neurosci. Methods 346:108904. doi : 10.1016/j.jneumeth.2020.108904

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

En ligneHong, X., et Harris, C. (2002). Conception et construction de la structure du modèle non linéaire à l’aide des moindres carrés orthogonaux et de la conception D-optimale. IEEE Transac. Réseau neuronal. 13, 1245–1250. doi : 10.1109/TNN.2002.1031959

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Hong, X., Harris, CJ, Chen, S. et Sharkey, PM (2003). Méthodes d’identification de modèles non linéaires robustes utilisant la régression directe. IEEE Transac. Syst. Homme Cybernet. Partie A Syst. Hum. 33, 514–523. doi : 10.1109/TSMCA.2003.809217

Texte intégral de la référence croisée | Google Scholar

En ligneHotelling, H. (1933). Analyse d’un complexe de variables statistiques en composantes principales. J. Educ. Psychol. 24, 417–441. doi : 10.1037/h0071325

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Hsieh, CS et Tai, CC (2013). Un système de détection de durée de clignement des yeux amélioré et portable pour avertir de la fatigue du conducteur. Instrument. Sci. Technol. 41, 429–444. doi : 10.1080/10739149.2013.796560

Texte intégral de la référence croisée | Google Scholar

Hu, S., et Zheng, G. (2009). Détection de la somnolence du conducteur avec des paramètres liés aux paupières par une machine à vecteurs de support. Système expert. Appl. 36, 7651–7658. doi : 10.1016/j.eswa.2008.09.030

Texte intégral de la référence croisée | Google Scholar

Huang, KC, Huang, TY, Chuang, CH, King, JT, Wang, YK, Lin, CT, et al. (2016). Un système de détection et d’atténuation de la fatigue basé sur l’EEG. Int. J. Neural Syst. 26:1650018. doi: 10.1142/S0129065716500180

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Jimenez-Pinto, J., et Torres-Torriti, M. (2012). Points saillants du visage et suivi des yeux pour une détection robuste de la somnolence. Robotica 30, 731–741. doi: 10.1017/S0263574711000749

Texte intégral de la référence croisée | Google Scholar

Jung, S., Shin, H. et Chung, W. (2014). Système de surveillance de la fatigue et de la somnolence du conducteur avec capteur d’électrocardiogramme intégré au volant. IET Intellig. Système de transport 8, 43–50. doi : 10.1049/iet-its.2012.0032

Texte intégral de la référence croisée | Google Scholar

Kennedy, J., et Eberhart, R. (1995). Optimisation des essaims de particules. Proc. ICNN’95 Int. Conf. Réseau neuronal. 4, 1942–1948. doi : 10.1109/ICNN.1995.488968

Texte intégral de la référence croisée | Google Scholar

Lever, J., Krzywinski, M. et Altman, N. (2017). Analyse des composants principaux. Nat. Méthode 14, 641–642. doi : 10.1038/nmeth.4346

Texte intégral de la référence croisée | Google Scholar

Li, C., et Liu, X. (2016). « Un réseau neuronal PSO-BP amélioré et son application à la prévision des tremblements de terre », dans 2016 Chinese Control and Decision Conference (CCDC) (Yinchuan : IEEE), 3434–3438. doi : 10.1109/CCDC.2016.7531576

Texte intégral de la référence croisée | Google Scholar

Li, Y., Cui, WG, Huang, H., Guo, YZ, Li, K. et Tan, T. (2019). Détection des crises d’épilepsie dans les signaux EEG à l’aide de réseaux de fonctions de base radiales multi-échelles clairsemés et de l’approche vectorielle de Fisher. Savoir. Syst. 164, 96–106. doi : 10.1016/j.knosys.2018.10.029

Texte intégral de la référence croisée | Google Scholar

Li, Y., Wang, XD, Luo, ML, Li, K., Yang, XF et Guo, Q. (2017). Classification des crises d’épilepsie des EEG à l’aide de fonctions de base radiales multi-échelles basées sur l’analyse temps-fréquence. IEEE J. Biomed. Informations sur la santé. 22, 386–397. doi : 10.1109/JBHI.2017.2654479

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Li, Z., Chen, L., Peng, J. et Wu, Y. (2017). Détection automatique de la fatigue du conducteur à l’aide d’informations sur les opérations de conduite pour la sécurité des transports. Capteurs 17:1212. doi : 10.3390/s17061212

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Ma, Y., Chen, B., Li, R., Wang, C., Wang, J., She, Q., et al. (2019). Détection de la fatigue au volant à partir de l’EEG à l’aide d’une méthode PCANet modifiée. Calcul. Intellig. Neurosci. 2019:4721863. doi: 10.1155/2019/4721863

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Ma, Y., Zhang, S., Qi, D., Luo, Z., Li, R., Potter, T., et al. (2020). Conduire la détection de la somnolence avec l’EEG à l’aide d’un algorithme de machine d’apprentissage extrême hiérarchique modifié avec optimisation de l’essaim de particules : une étude pilote. Électronique 9:775. doi : 10.3390/électronique9050775

Texte intégral de la référence croisée | Google Scholar

MacKayi, DJC (1992). Interpolation bayésienne. Calcul neuronal. 4, 415–447. doi : 10.1162/neco.1992.4.3.415

Texte intégral de la référence croisée | Google Scholar

Masic, N., et Pfurtscheller, G. (1993). Classification basée sur le réseau neuronal des données EEG d’un seul essai. Artef. Renseignement. Méd. 5, 503–513 doi : 10.1016/0933-3657(93)90040-A

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

McLoone, S., Brown, MD, Irwin, G. et Lightbody, A. (1998). Un algorithme de formation hybride linéaire / non linéaire pour les réseaux de neurones à anticipation. IEEE Transac. Réseau neuronal. 9, 669–684. doi: 10.1109/72.701180

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Michielsen, HJ, Vries, JD, Heck, GLV, de Vijver, FV et Sijtsma, K. (2004). Examen de la dimensionnalité de la fatigue : la construction de l’échelle d’évaluation de la fatigue (FAS). EUR. J. Psychol. Évaluer. 20, 39–48. doi : 10.1027/1015-5759.20.1.39

Texte intégral de la référence croisée | Google Scholar

Nguyen, T., Zhou, T., Potter, T., Zou, L. et Zhang, Y. (2019). Le réseau cortical de la régulation des émotions : aperçus de l’analyse d’intégration EEG-fMRI avancée. IEEE Trans. Méd. Imagerie 38, 2423–2433. doi: 10.1109/TMI.2019.2900978

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

O’Hanlon, JF, et Kelley, GR (1977). « Comparaison des performances et des changements physiologiques entre les conducteurs qui performent bien et mal lors d’une utilisation prolongée d’un véhicule », dans Vigilance. Série de conférences de l’OTAN, Vol 3, ed RR Mackie (Boston, MA : Springer). p. 189–202.

Google Scholar

Petković, D., Gocic, M., Shamshirband, S., Qasem, SN et Trajkovic, S. (2016) Réseau de fonctions à base radiale basé sur l’optimisation d’un essaim de particules pour l’estimation de l’évapotranspiration de référence. Théorique. Appl. Climatol. 125, 555–563. doi : 10.1007/s00704-015-1522-y

Texte intégral de la référence croisée | Google Scholar

Picot, A., Charbonnier, S. et Caplier, A. (2012). Détection en ligne de la somnolence à l’aide d’informations cérébrales et visuelles. IEEE Transac. Syst. Homme Cybern.Partie A Syst. Hum. 42, 764–775. doi : 10.1109/TSMCA.2011.2164242

Texte intégral de la référence croisée | Google Scholar

Sahayadhas, A., Sundaraj, K. et Murugappan, M. (2012). Détecter la somnolence du conducteur à l’aide de capteurs : bilan. Capteurs 12, 16937–16953. doi : 10.3390/s121216937

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Elle, Q., Chen, K., Luo, Z., Nguyen, T., Potter, T. et Zhang, Y. (2020a). Apprentissage actif à double critère pour les interfaces cerveau-ordinateur multiclasses. Calcul. Renseignement. Neurosci. 2020:3287589. doi: 10.1155/2020/3287589

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Elle, Q., Hu, B., Gan, H., Fan, Y., Nguyen, T., Potter, T., et al. (2018). Machine d’apprentissage extrême semi-supervisée sécurisée pour la classification des signaux EEG. Accès IEEE 6, 49399–49407. doi: 10.1109/ACCESS.2018.2868713

Texte intégral de la référence croisée | Google Scholar

Elle, Q., Hu, B., Luo, Z., Nguyen, T. et Zhang, Y. (2019). Une méthode de machine d’apprentissage extrême semi-supervisée hiérarchique pour la reconnaissance EEG. Méd. Biol. Ing. Calcul. 57, 147–157. doi : 10.1007/s11517-018-1875-3

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Elle, Q., Zou, J., Luo, Z., Nguyen, T., Li, R. et Zhang, Y. (2020b). Classification EEG d’imagerie motrice multi-classes utilisant une machine d’apprentissage extrême semi-supervisée basée sur la représentation collaborative. Méd. Biol. Ing. Calcul. 58, 2119–2130. doi : 10.1007/s11517-020-02227-4

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Shi, Y., et Eberhart, R. (1995). « Un optimiseur d’essaim de particules modifié », en 1998 IEEE International Conference on Evolutionary Computation Proceedings. IEEE World Congress on Computational Intelligence (Cat. No.98TH8360) (Anchorage, AK), 69–73. doi: 10.1109/ICEC.1998.699146

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Sikander, G., et Anwar, S. (2019). Systèmes de détection de la fatigue du conducteur : un bilan. IEEE Transac. Intellig. Le transport. Syst.s 20, 2339–2352. doi: 10.1109/TITS.2018.2868499

Texte intégral de la référence croisée | Google Scholar

Simon, M., Schmidt, EA, Kincses, WE, Fritzsche, M., Bruns, A., Aufmuth, C., et al. (2011). Mesures du fuseau EEG alpha comme indicateurs de la fatigue du conducteur dans des conditions de circulation réelles. Clin. Neurophysiol. 122, 1168–1178. doi : 10.1016/j.clinph.2010.10.044

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Vuckovic, A., Radivojevic, VCN, Chen, A. et Popovic, D. (2002). Reconnaissance automatique de la vigilance et de la somnolence à partir de l’EEG par un réseau de neurones artificiels. Méd. Ing. Phys. 24, 349–360. doi : 10.1016/S1350-4533(02)00030-9

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Wu, D., Luo, X., Shang, M., He, Y., Wang, G. et Wu, X. (2020). Un modèle de facteur latent sensible aux caractéristiques des données pour la prédiction de la qualité de service des services Web. IEEE Trans. Savoir. Data Eng. 32:1. doi : 10.1109/TKDE.2020.3014302

Texte intégral de la référence croisée | Google Scholar

Wu, D., Luo, X., Shang, M., He, Y., Wang, G. et Zhou, M. (2019). Un modèle de facteur latent profond pour les matrices de grande dimension et clairsemées dans les systèmes de recommandation. IEEE Transac. Syst Man Cybernet. Syst. 50, 1–12. doi : 10.1109/TSMC.2019.2931393

Texte intégral de la référence croisée | Google Scholar

Wu, D., Luo, X., Wang, G., Shang, M., Yuan, Y. et Yan, H. (2018a). Un cadre très précis pour la classification semi-supervisée auto-étiquetée dans les applications industrielles. IEEE Transac. Industrie. Inform. 14, 909–920. doi : 10.1109/TII.2017.2737827

Texte intégral de la référence croisée | Google Scholar

Wu, D., Shang, M., Luo, X., Xu, J., Yan, H., Den, W., et al. (2018b). Classification semi-supervisée par auto-apprentissage basée sur des pics de densité de données. Neuroinformatique 275, 180–191. doi : 10.1016/j.neucom.2017.05.072

Texte intégral de la référence croisée | Google Scholar

Yang, G., Lin, Y. et Bhattacharya, P. (2010). Un modèle de reconnaissance de la fatigue du conducteur basé sur la fusion d’informations et un réseau bayésien dynamique. Inf. Sci . 180, 1942–1954. doi : 10.1016/j.ins.2010.01.011

Texte intégral de la référence croisée | Google Scholar

Zaw, T., Tun, KMM et Oo, AN (2019). « Prévision des prix par modèle de réseau neuronal à rétropropagation », dans 2019 Conférence internationale sur les technologies de l’information avancées (ICAIT) (Yangon : IEEE), 84–89. doi : 10.1109/AITC.2019.8921396

Texte intégral de la référence croisée | Google Scholar

Zhang, L. et Pu, J. (2020). « Un réseau de neurones à rétropropagation amélioré dans la reconnaissance d’objets », en 2011 Conférence internationale IEEE sur l’automatisation et la logistique (ICAL) (IEEE), 507–511.

Google Scholar

Zhao, C., Zhao, M., Yang, Y., Gao, J., Rao, N. et Lin, P. (2017). La réorganisation des réseaux cérébraux humains modulée par la fatigue mentale motrice. IEEE J. Biomed. Informations sur la santé . 21, 743–755. doi : 10.1109/JBHI.2016.2544061

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Mots-clés : détection de la fatigue au volant, électroencéphalographie, analyse en composantes principales, fonction de base radiale, réseau de neurones, classification

Citation : Ren Z, Li R, Chen B, Zhang H, Ma Y, Wang C, Lin Y et Zhang Y (2021) Détection de la fatigue au volant basée sur l’EEG à l’aide d’une fonction de base radiale de hiérarchie d’apprentissage à deux niveaux. De face. Neurorobot. 15:618408. doi : 10.3389/fnbot.2021.618408

Reçu : 16 octobre 2020 ; Accepté : 05 janvier 2021 ;
Publié : 11 février 2021.

Édité par:Mukesh Prasad , Université de technologie de Sydney, Australie

Revue par:Devika Chhachhiya , Maharshi Dayanand University, Inde

Di Wu , Chongqing Institute of Green and Intelligent Technology (CAS), Chine

Copyright © 2021 Ren, Li, Chen, Zhang, Ma, Wang, Lin et Zhang. Il s’agit d’un article en libre accès distribué sous les termes de la licence Creative Commons Attribution (CC BY) . L’utilisation, la distribution ou la reproduction dans d’autres forums est autorisée, à condition que le ou les auteurs originaux et le ou les titulaires des droits d’auteur soient crédités et que la publication originale dans cette revue soit citée, conformément à la pratique académique acceptée. Aucune utilisation, distribution ou reproduction non conforme à ces conditions n’est autorisée.

*Correspondance : Yingchun Zhang, yzhang94@uh.edu

Avis de non-responsabilité : toutes les affirmations exprimées dans cet article sont uniquement celles des auteurs et ne représentent pas nécessairement celles de leurs organisations affiliées, ni celles de l’éditeur, des éditeurs et des réviseurs. Tout produit pouvant être évalué dans cet article ou toute réclamation pouvant être faite par son fabricant n’est ni garanti ni approuvé par l’éditeur.

Détection de la somnolence du conducteur

Sauter à la navigationSauter à la recherche

La détection de la somnolence du conducteur est une technologiedesécuritéautomobilequi permet de prévenir les accidents provoqués par la somnolence du conducteur. Diverses études ont proposé qu’environ 20 % de tous les accidents de la route soient liés à la fatigue, jusqu’à 50 % sur certaines routes. [ 1] [2 ]

Certains systèmes actuels donnent les habitudes du conducteur et peuvent détecter quand un conducteur commence à somnoler.

Contenu

Technologie [modifier]

Diversestechnologiespeuventêtreutiliséespourtenterdedétecterlasomnolence du conducteur. [3]

Surveillance de la direction [modifier]

Utiliser principalement les données de direction du système de direction assistée électrique. La surveillance d’un conducteur de cette manière ne fonctionne que si le conducteur dirige le véhicule au lieu d’utiliserunsystème automatique de maintien dans la voie[1]

Position du véhicule dans le contrôle de trajectoire [modifier]

Utiliser une caméra de surveillance de voie. Ce type de surveillance ne fonctionne que si le conducteur dirige son véhicule au lieu d’utiliser un système automatique de maintien dans la voie. [ 4]

Surveillance de l’œil/du visage du conducteur [modifier]

Utilisez la vision par ordinateur pour observer le visage du conducteur, soit à l’aide d’une caméra intégrée [5 ], soit sur des appareils mobiles. [6] [7 ]

Mesure physiologique [modifier]

Requiert des capteurs corporels pour mesurer des paramètres tels que l’activité cérébrale, la fréquence cardiaque, la conductivité de la peau, l’activité musculaire, les mouvements de la tête, etc…

Systèmes [modifier]

  • AudiSystème de recommandation de repos [8]
  • BMWActive Driving Assistant avec Attention Assistant analyse le comportement de conduite et, si nécessaire, conseille au conducteur de se reposer. Le conseil de faire une pause est fourni sous la forme de symboles graphiques affichés sur l’écran de contrôle. [9]
  • Bosch: La « détection de la somnolence du conducteur » [10] use les données du capteur d’angle de braquage, de la caméra d’assistance au maintien de la trajectoire montée à l’avant, de la vitesse du véhicule et de la tige de clignotant.
  • CitroënAFIL/LDWS utilisent différentes technologies pour surveiller la position du véhicule sur la route. Certains modèles utilisent des capteurs montés devant les roues avant, qui surveillent le marquage des voies. D’autres modèles utilisent une caméra montée en haut au centre du pare-brise dans le même but. Les deux systèmes alertent le conducteur par des vibrations dans le siège du conducteur, sur la moitié gauche ou droite du coussin du siège, respectivement. [11] Introduction avec le modèle2005C4, suivi plus tardpar2008C5et2013C4 Picasso.
  • DS:
    • AFIL/LDWS[12] Le système d’avertissement de sortie de voie émet un rappel sonore si vous vous éloignez de votre voie.
    • DS DRIVER ATTENTION MONITORING [13] identifie toute diminution de la vigilance du conducteur. Grâce à une caméra infrarouge située au-dessus du volant, DS DRIVER ATTENTION MONITORING surveille en permanence : les yeux à la recherche de signes de fatigue (clignotement) ; les mouvements du visage et de la tête pour des signes de distraction ; et la trajectoire suivie par la voiture dans sa voie de circulation (déviations ou mouvements de braquage du conducteur).
  • FordDriver Alert[14] introduit avec la Ford Focus 2011 .
  • Honda: CRV a introduit le Driver Attention Monitor en 2017. [15] Il est également proposé sur l’Accord 2018 . 16]
  • HyundaiDriver Attention Alert (DAA) , lancé avec la i30 2017 .
  • Jaguar Land RoverDriver Condition Monitor et Driver Fatigue Alert, qui présentent tous deux la technique de conduite pour détecter les signes de fatigue du conducteur. Lorsque le dispositif détermine que le conducteur est fatigué, le centre de messages affiche l’avertissement « FAITES UNE PAUSE » pendant une minute, accompagné d’un carillon sonore. Si le conducteur continue à conduire pendant plus de 15 minutes après le premier avertissement, sans faire de pause, un autre avertissement est émis. L’avertissement se poursuit jusqu’à ce que vous appuyiez sur le bouton OK de la commande de menu au volant.
  • KiaDriver Attention Warning (DAW) , lancé avec la Stinger 2018 .
  • MazdaAlerte à l’attention du conducteur [17] S’active à des vitesses supérieures à 65 kilomètres à l’heure (40 mph). Apprend le comportement de conduite grâce à l’entrée de la direction et à la position de la route au début du trajet et compare les données apprises au cours des étapes ultérieures du trajet. Une différence supérieure à un certain seuil déclenche un signal sonore et visuel. Lancé sur le Mazda CX-5 2015.
  • Mercedes-BenzAide à l’attention [18] En 2009,Mercedes-Benza dévoilé un système appelé Attention Assist qui surveille le niveau de fatigue et la somnolence du conducteur en fonction de ses entrées de conduite. Il émet une alarme visuelle et sonore pour alerter le conducteur s’il est trop somnolent pour continuer à conduire. Il est lié au système de navigation de la voiture et, à l’aide de ces données, il peut indiquer au conducteur où le café et le carburant sont disponibles. [19]
  • CadillacGM 2018 Cadillac CT6 Super Cruise System, Le système Cadillac Super Cruise utilise la technologie de vision FOVIO, développéeparSeeing Machines, pour permettre à une caméra infrarouge de la taille d’une boule de gomme sur la colonne de direction de déterminer avec précision l’état d’attention du conducteur. Ceci est accompli grâce à une mesure précise de l’orientation de la tête et des mouvements des paupières dans une gamme complète de conditions de conduite diurnes et nocturnes, y compris l’utilisation de lunettes de soleil.
  • NissanDriver Attention Alert (DAA)[20] a fait ses débuts avec le Qashqai 2014 , suivi de la Maxima 2016 .
  • Renault/DaciaAvertissement de détection de fatigue (TDW), introduit avec2016Megane.
  • SubaruAide à la conduite EyeSight
  • ŠkodaiBuzz Fatigue Alert (disponible sur la plupart des modèles depuis 2013)
  • VolkswagenSystème de détection de fatigue [21]
  • Volvo CarsDriver Alert Control [22] En 2007, Volvo Cars a lancé le premier système de détection de somnolence du conducteur au monde, Driver Alert Control. Le système surveille les mouvements de la voiture et évalue si le véhicule est conduit de manière contrôlée ou non. Si le système détecte un risque élevé de somnolence du conducteur, celui-ci est alerté par un signal sonore. De plus, un message texte apparaît sur l’écran d’information de la voiture, l’alertant avec un symbole de tasse de café pour faire une pause. De plus, le conducteur peut récupérer en permanence des informations de conduite à partir de l’ordinateur de bord de la voiture. Le point de départ est de cinq mesures. Moins la conduite est régulière, moins il reste de barres.
  • Anti Sleep Pilot – Dispositif danois qui peut être installé sur n’importe quel véhicule, utilise une combinaison d’accéléromètres et de tests de réaction. [23]
  • Vigo – Casque Bluetooth intelligent qui détecte les signes de somnolence à travers les yeux et les mouvements de la tête, et utilise une combinaison de lumière, de son et de vibrations pour alerter l’utilisateur. [24]
  • COREforTech – La mesure des signes physiologiques de somnolence permet à CORE for Tech ™ d’obtenir des signes de fatigue très précoces et d’agir en conséquence [25]

Règlement [ modifier ]

Dans l’Union européenne, le règlement (UE) 2019/2144 réglemente le système de surveillance du conducteur. [26]

avertissement de somnolence et d’attention du conducteur: un système qui déclenche la vigilance du conducteur par l’analyse des systèmes du véhicule et qui avertit le conducteur si nécessaire.-règlement (UE) 2019/2144

Les systèmes d’avertissement de somnolence et d’attention du conducteur et les systèmes avancés d’avertissement de distraction du conducteur sont conçus de manière à ce que ces systèmes n’enregistrent ni ne conservent en permanence aucune autre donnée que celles nécessaires aux ailettes pour elles ont été consommées ou consommées d’une autre manière dans le système en boucle fermée. En outre, ces données ne sont à aucun moment accessibles ou mises à la dispositiondetierset sont immédiatement effacées après traitement. Ces systèmes sont également conçus de manière à éviter tout chevauchement et ne doivent pas inciter le conducteur à agir séparément et simultanément ou de manière confuse lorsqu’une action déclenche les deux systèmes.— règlement (UE) 2019/2144

Voir aussi [ modifier ]

Références [ modifier ]

  1. ^Passez à :b « FATIGUE DES CONDUCTEURS ET ACCIDENTS DE LA ROUTE UNE REVUE DE LA LITTÉRATURE et DOCUMENT DE POSITIONNEMENT » (PDF). Société royale pour la prévention des accidents. Février 2001.Archivédel’original (PDF)le 2017-03-01. Récupéré le 28/02/2017.
  2. « 4.1.03. Système de détection de somnolence du conducteur pour les voitures » . Récupéré le 05/11/2015.
  3. ^ Sgambati, Frank, Détection de la somnolence du conducteur
  4. ^ Hupp, Stephen L. (octobre 1998). « Documents de repère dans l’histoire américaine. Version 2.0 ». Examen des ressources électroniques2 (10): 120–121.doi10.1108/err.1998.2.10.120.111.ISSN 1364-5137.
  5. ^ Walger, DJ; Breckon, TP; Gaszczak, A.; Popham, T. (novembre 2014). « Une comparaison des fonctionnalités pour l’estimation de la pose de la tête du conducteur basée sur la régression dans des conditions d’éclairage variables » (PDF) . Proc. Atelier international sur l’intelligence computationnelle pour la compréhension multimédia . IEEE : 1–5. doi : 10.1109/IWCIM.2014.7008805 . ISBN  978-1-4799-7971-4S2CID  14928709 . walger14pose de tête.
  6. ^ Wijnands, JS; Thompson, J.; Bien, KA ; Aschwanden, GDPA ; Stevenson, M. (2019). « Surveillance en temps réel de la somnolence du conducteur sur des plateformes mobiles utilisant des réseaux de neurones 3D ». Informatique neuronale et applications . 32 (13): 9731–9743. arXiv : 1910.06540 ​​. Bib code : 2019arXiv191006540W . doi : 10.1007/s00521-019-04506-0 . S2CID 204459652 . 
  7. ^ Hossain, MON; George, FP (2018). « Système de détection de conduite somnolente en temps réel basé sur IOT pour la prévention des accidents de la route ». Conférence internationale 2018 sur l’informatique intelligente et les sciences biomédicales (ICIIBMS) . 3 : 190–195. doi : 10.1109/ICIIBMS.2018.8550026 . ISBN 978-1-5386-7516-8S2CID  54442702 .
  8. ^ https://www.audi-mediaservices.com/publish/ms/content/en/public/hintergrundberichte/2012/03/05/a_statement_about/driver_assistance.html Archivé le 30/12/2014 à la Wayback Machine Systèmes d’assistance au conducteur
  9. « Mesures de mise à niveau du modèle BMW prenant effet à partir de l’été 2013 ». BMW. 2013-06-05 . Récupéré le 05/11/2015.
  10. « Détection de la somnolence du conducteur »Robert Bosch GmbH . Récupéré le 05/11/2015.
  11. « AFIL/LDWS (dépendant du pays) ».
  12. « AFIL/LDWS (dépendant du pays) ».
  13. ^ DS Official (2017-03-07), DS DRIVER ATTENTION MONITORINGarchivé de l’original le 2021-12-20 , récupéré le 08/03/2017
  14. « ALERTE CONDUCTEUR » . Archivé de l’original le 13/05/2011.
  15. « Moniteur d’attention du conducteur | 2017 Honda CR-V | Site des propriétaires de Honda » . propriétaires.honda.com . Récupéré le 23/03/2018 .
  16. « Kit de presse Honda Accord 2018 – Sécurité et assistance au conducteur » . propriétaires.honda.com . Récupéré le 23/03/2018 .
  17. « Alerte à l’attention du conducteur – Mazda i-ACTIVSENSE » .
  18. « ATTENTION ASSIST : le système de détection de somnolence avertit les conducteurs pour les empêcher de s’endormir momentanément » . Archivé de l’original le 26 février 2012 . Récupéré le 18 février 2010 .
  19. ^ Les fonctionnalités de conduite autonome de Mercedes-Benz dominent l’industrie – et le resteront pendant des années
  20. « 2016 Nissan Maxima » Voiture de sport 4 portes « fait ses débuts mondiaux au Salon international de l’auto de New York » . Salle de presse en ligne de Nissan . 2 avril 2015 . Récupéré le 4 avril 2015 .
  21. « Détection de fatigue » . Récupéré le 6 août 2014 .
  22. « Volvo Cars introduit de nouveaux systèmes pour alerter les conducteurs fatigués et distraits » . Récupéré le 28 août 2007 .
  23. ^ Coxworth, Ben (3 janvier 2011). « Anti Sleep Pilot détecte les conducteurs somnolents » . Gizmag.
  24. « Le casque Bluetooth Vigo sait quand vous êtes fatigué avant de le faire » . Récupéré le 20 mars 2014 .
  25. « Nouvelles de COREforTech » .
  26. « EUR-Lex – 32019R2144 – FR – EUR-Lex » .

TEP biomarqueurs = outils de diagnostic étiologique

Approche multidisciplinaire du diagnostic des troubles cognitifs

Par Stéphanie Bombois

L’enjeu actuel dans le domaine des troubles cognitifs est de déterminer de façon précoce et précise l’étiologie de ces difficultés. Le diagnostic précoce permet, entre autres, une meilleure adhésion du patient à son parcours de soin, la mise en place de stratégies de prévention et la possibilité de participer à des essais thérapeutiques innovants.
Déterminer l’étiologie des troubles cognitifs correspond, dans les pathologies neurodégénératives, à reconnaître la protéinopathie associée aux déficits cliniques. Les symptômes cognitifs ne sont pas suffisamment spécifiques d’une étiologie (par exemple la maladie d’Alzheimer peut se présenter sous divers phénotypes cliniques : amnésique, aphasie progressive primaire ou atrophie corticale postérieure) et l’utilisation de biomarqueurs est alors utile pour le diagnostic étiologique.
Le diagnostic étiologique fiable est d’autant plus important que des traitements disease-modifier pourraient prochainement être disponibles.

Les biomarqueurs sont des outils du diagnostic étiologique. Pour le diagnostic de la maladie d’Alzheimer, il existe des biomarqueurs de neurodégénérescence (N) comme l’atrophie hippocampique en IRM ou les troubles du métabolisme glucidique en TEP-FDG avec un hypométabolisme des carrefours pariéto-temporaux. Les lésions pathologiques de la maladie d’Alzheimer sont les plaques amyloïdes (A) et les dépôts de protéines tau hyperphosphorylées (T). Ces lésions peuvent être diagnostiquées par l’imagerie métabolique ou par leur dosage dans les fluides tels que le liquide cérébrospinal (LCS) ou dans le plasma [1]. Des radioligands des dépôts amyloïdes et des protéines tau couplés à l’imagerie TEP permettent de mettre en évidence in vivo les lésions pathologiques de la maladie d’Alzheimer. Ces techniques ne sont pas utilisées dans le soin courant en France (pas d’agrément de collectivité pour les ligands amyloïdes, pas d’AMM pour les ligands tau). Le profil des biomarqueurs du LCS en lien avec une maladie d’Alzheimer biologique repose sur une diminution de concentration du peptide Aβ42 (ou une augmentation du ratio Aβ40/42), une augmentation des protéines P-tau et T-tau. En 2018, le National Institute on Aging et l’Alzheimer’s Association (NIA-AA) ont proposé une définition et un diagnostic de maladie d’Alzheimer s’appuyant sur les critères ATN [2]. Un diagnostic purement biologique de maladie d’Alzheimer pourrait ainsi être porté, quel que soit le stade asymptomatique ou clinique de la maladie.

Cas clinique. Un homme de 84 ans, retraité, mécanicien, avec pour antécédents personnels : HTA, épisodes dépressifs récurrents en 1982 et 2017, cardiopathie ischémique, cancer de prostate. Son traitement : ticagrelor, bisoprolol, acétylsalicylate de lysine, atorvastatine, bromazépam. Pas d’antécédents familiaux.
Depuis 15 ans, il se plaint d’oublis. Pas de modification de caractère, pas de trouble de l’humeur, troubles du sommeil en raison d’une nycturie. Son examen neurologique est normal. Le bilan neuropsychologique montre un MMSE à 21/30 avec un syndrome amnésique sévère touchant la mémoire épisodique verbale et non verbale avec un trouble de l’encodage, du stockage et de la récupération des informations. Il n’a pas de trouble instrumental. Il existe un syndrome dysexécutif modéré avec une BREF à 11/18 (batterie rapide d’efficience frontale). Il est autonome pour les actes de la vie quotidienne.
Ce profil cognitif fait évoquer en première hypothèse une maladie d’Alzheimer prodromale, et un bilan étiologique est organisé en ce sens. L’IRM montre une atrophie très sévère des hippocampes (classée sur l’échelle visuelle de Scheltens entre 3 et 4), la TEP-FDG montre un hypométabolisme isolé des deux hippocampes, et la ponction lombaire ne montre pas d’anomalie de concentration des trois marqueurs testés.
Le diagnostic étiologique n’est donc pas en faveur d’une maladie d’Alzheimer, ce qui est retrouvé jusqu’à 30 % des cas de sujets avec un syndrome amnésique.

Suite à la proposition d’un diagnostic biologique par le NIA-AA [2] dans un cadre de la recherche, rapidement se sont posées des questions pour une application en soin courant. L’International Working Group (IWG) a répondu en soulevant des limites à un diagnostic purement biologique et en proposant des recommandations pour le diagnostic de maladie d’Alzheimer dans une perspective de pratique clinique [3].
Les limites d’un diagnostic purement biologique sont liées au fait que l’expression clinique des lésions cérébrales de maladie d’Alzheimer est probablement modulée ou compensée par des facteurs encore peu connus, que la copathologie est très fréquente et qu’il peut être difficile d’associer des symptômes avec les différentes lésions présentes, et qu’il n’existe pas (ou peu) de biomarqueurs de protéinopathies non Alzheimer.

Selon l’IWG [3], les situations dans lesquelles les biomarqueurs peuvent être utilisés pour le diagnostic de maladie d’Alzheimer sont essentiellement les sujets symptomatiques. Chez les sujets avec une plainte cognitive sans trouble objectivé, il est recommandé dans le cadre du soin de réaliser un suivi clinique et neuropsychologique. Il est recommandé d’utiliser les biomarqueurs chez ces sujets dans le cadre de la recherche, avec une information éclairée sur les résultats qui peuvent découler de leur recherche. Les personnes sans trouble cognitif objectif avec des marqueurs de maladie d’Alzheimer sont considérés comme à risque, mais pas comme ayant une maladie d’Alzheimer (qui pourrait ne pas devenir symptomatique).

Les examens pouvant être proposés en pratique courante aux sujets symptomatiques vont dépendre de plusieurs facteurs : de la disponibilité de l’outil, de son coût, de la situation clinique, du souhait du patient à connaître son diagnostic… Il est recommandé en premier lieu une évaluation clinique et neuropsychologique, suivie par une imagerie structurelle. Si une maladie d’Alzheimer est l’hypothèse principale, une ponction lombaire avec dosages des biomarqueurs du LCS pourra être proposée préférentiellement à une TEP-FDG, alors que dans le cas d’une suspicion de pathologie dégénérative non Alzheimer, il pourra être proposé en premier lieu une TEP-FDG [4].

Bibliographie

1. Scheltens P, De Strooper B, Kivipelto M et al. Alzheimer’s disease. Lancet 2021 ; 10284 : 1577-90.
2. Jack CR Jr, Bennett DA, Blennow K et al. NIA–AA research framework: toward a biological definition of Alzheimer’s disease. Alzheimers Dement 2018 ; 14 : 535–62.
3. Dubois B, Villain N, Frisoni GB et al. Clinical diagnosis of Alzheimer’s disease: recommendations of the International Working Group. Lancet Neurol 2021 ; 6 : 484-96.
4. Chételat G, Arbizu J, Barthel H et al. Amyloid-PET and 18 F-FDG-PET in the diagnostic investigation of Alzheimer’s disease and other dementias. Lancet Neurol 2020 ; 11 : 951-62.

Modifier

L’oxygénothérapie hyperbare

L’oxygénothérapie hyperbare améliore les fonctions neurocognitives et les symptômes de l’état post-COVID : essai contrôlé randomisé

Rapports scientifiques le volume 12 , Numéro d’article :  11252 ( 2022 ) Citer cet article

Résumé

L’état post-COVID-19 fait référence à une gamme de symptômes physiques, neurocognitifs et neuropsychologiques persistants après une infection par le SRAS-CoV-2. Le mécanisme peut être lié à une pathologie du tissu cérébral causée par une invasion virale ou indirectement par une neuroinflammation et une hypercoagulabilité. Cet essai randomisé, à contrôle simulé et en double aveugle a évalué l’effet de l’oxygénothérapie hyperbare (OHB ou HBO2) sur des patients post-COVID-19 présentant des symptômes persistants pendant au moins 3 mois après une infection confirmée. Soixante-treize patients ont été randomisés pour recevoir quotidiennement 40 séances d’OHB (n = 37) ou simulées (n = 36). Des évaluations de suivi ont été effectuées au départ et 1 à 3 semaines après la dernière séance de traitement. Après l’OHB, il y avait une interaction significative groupe-temps dans la fonction cognitive globale, l’attention et la fonction exécutive (d = 0,495, p = 0,038 ; d = 0. 477, p = 0,04 et d = 0,463, p = 0,05 respectivement). Une amélioration significative a également été démontrée dans le domaine de l’énergie (d = 0,522, p = 0,029), du sommeil (d = − 0,48, p = 0,042), des symptômes psychiatriques (d = 0,636, p = 0,008) et de l’interférence de la douleur (d = 0,737 , p = 0,001). Les résultats cliniques ont été associés à une amélioration significative de la perfusion IRM cérébrale et à des modifications microstructurales du gyrus supramarginal, de l’aire motrice supplémentaire gauche, de l’insula droite, du gyrus précentral frontal gauche, du gyrus frontal moyen droit et de la couronne radiée supérieure. Ces résultats indiquent que l’OHB peut induire une neuroplasticité et améliorer les symptômes cognitifs, psychiatriques, de fatigue, de sommeil et de douleur des patients souffrant d’une affection post-COVID-19.

Introduction

En janvier 2022, la pandémie de coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2) a entraîné plus de 300 millions de cas infectés. Même si la plupart des patients infectés se rétablissent, 10 à 30 % présentent encore des symptômes persistants qui ont des effets dévastateurs sur leur qualité de vie 1 , 2 . L’Organisation mondiale de la santé a reconnu cette condition clinique et l’a définie comme une condition post-COVID-19. Cette condition est confirmée trois mois après le début du COVID-19 avec des symptômes physiques, neurocognitifs et psychiatriques qui persistent pendant plus de deux mois et ne peuvent être expliqués par un diagnostic alternatif 1 . Les symptômes neurocognitifs et psychiatriques comprennent la diminution des fonctions exécutives, l’anxiété, la dépression et les symptômes de stress post-traumatique3 , 4 . Les symptômes physiques les plus courants comprennent la fatigue, la dyspnée, l’agueusie, l’anosmie, l’insomnie, les maux de tête et la douleur généralisée généralisée 5 .

La pathogenèse de l’état post-COVID-19 n’est pas encore déterminée. Les mécanismes suggérés comprennent l’invasion cérébrale directe du virus, des réponses immunologiques dérégulées, une maladie thrombotique, un dysfonctionnement mitochondrial et une lésion vasculaire avec hypoxie tissulaire secondaire 6 , 7 . Les options de traitement actuellement étudiées de l’état post-COVID-19 sont des molécules anti-inflammatoires ciblées, des régimes alimentaires spécifiques et une thérapie cognitivo-comportementale. Cependant, aucun n’a été déterminé efficace 8 , 9 , 10 .

Ces dernières années, des preuves ont été accumulées sur les effets de neuroplasticité de l’oxygénothérapie hyperbare (OHB) 11 , 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 . Il est maintenant réalisé que l’action combinée de l’hyperoxie et de la pression hyperbare conduit à une amélioration significative de l’oxygénation des tissus tout en ciblant à la fois les gènes sensibles à l’oxygène et à la pression 11 . Des études précliniques et cliniques ont démontré plusieurs effets de neuroplasticité, notamment anti-inflammatoire, restauration de la fonction mitochondriale, augmentation de la perfusion via l’angiogenèse et induction de la prolifération et de la migration des cellules souches11 , 12 , 13 , 20 , 21 . Robbin et al. ont suggéré un avantage possible avec l’OHB dans une récente série de cas de dix patients atteints de l’état post-COVID-19 22 .

L’objectif de l’étude actuelle était d’évaluer les effets de l’OHB sur les patients souffrant d’une condition post-COVID-19, avec des symptômes persistants pendant au moins 3 mois après l’infection confirmée, dans un essai clinique randomisé, simulé et en double aveugle.

Résultats

Caractéristiques des patients et randomisation

Quatre-vingt-onze patients étaient éligibles pour participer à l’étude. Douze patients n’ont pas terminé l’évaluation initiale. Soixante-dix-neuf ont été randomisés dans l’un des deux bras. Deux patients du groupe témoin ont retiré leur consentement pendant le traitement, et un patient a été exclu en raison d’une mauvaise observance et n’a pas terminé les évaluations. Deux patients du groupe OHB ont été exclus, un en raison d’une maladie intercurrente et un en raison d’un événement personnel ayant empêché l’achèvement du protocole. Un autre patient du groupe OHB a retiré son consentement pendant le traitement. En conséquence, 37 patients du groupe HBOT et 36 patients du groupe témoin ont terminé le protocole et ont été inclus dans l’analyse. L’organigramme du patient et le calendrier de l’étude sont présentés dans la Fig.  1 supplémentaire.. Les caractéristiques initiales des patients sont détaillées dans le tableau 1 . Aucune différence statistiquement significative entre les deux groupes n’a été observée dans les caractéristiques de base. Les données sur les symptômes autodéclarés après la COVID-19 sont fournies dans les tableaux supplémentaires 1 à 2 . Aucune différence significative n’a été observée dans les symptômes de base entre les deux groupes.Tableau 1 Caractéristiques de base.

Tableau pleine grandeur

La mise en aveugle des participants s’est avérée fiable, où le taux de perception de l’attribution correcte du groupe était de 54,1 % et 66,7 % (p = 0,271) dans les groupes HBOT et témoin respectivement (Fig.  2 supplémentaire ).

Résultat primaire

Il n’y avait pas de différences significatives entre les groupes dans tous les domaines cognitifs de base. Il y avait une interaction significative groupe-temps dans le score cognitif global post-OHB par rapport au groupe témoin, avec une taille d’effet net moyenne (d = 0,495, p = 0,038). Les domaines de l’attention et des fonctions exécutives présentaient des interactions groupe-temps significatives (d = 0,477, p = 0,04 et d = 0,463, p = 0,05 respectivement) (tableau 2 et tableau supplémentaire 3 ).Tableau 2 Modifications des performances neurocognitives.

Tableau pleine grandeur

Résultats secondaires

L’ analyse du questionnaire est résumée dans la figure  1 , le tableau 3 et le tableau supplémentaire 4 . Au départ, il n’y avait pas de différences significatives dans tous les domaines entre les groupes. Dans le SF-36 ,le groupe HBOT a amélioré à la fois la limitation physique et l’énergie avec des interactions significatives groupe-temps de (d = 0,544, p = 0,023) et (d = 0,522 p = 0,029). Dans le PSQI, le groupe HBOT a amélioré le score global du sommeil avec une interaction significative groupe-temps (d = – 0,48, p = 0,042). Des améliorations des symptômes psychologiques ont également été démontrées après l’OHB avec une interaction groupe-temps significative et une grande taille d’effet dans le score total BSI-18 (d = 0,636, p = 0,008). Les scores de somatisation (d = 0,588, p = 0,014) et de dépression (d = 0,491, p = 0,04) ont montré des interactions groupe-temps significatives. Le score d’anxiété s’est amélioré de manière significative dans l’OHB et n’a pas changé dans le groupe témoin. Cependant, l’interaction groupe-temps n’a pas atteint le niveau de signification (p = 0,079).

Figure 1
Figure 1

Tableau 3 Analyse des résultats du questionnaire.

Tableau pleine grandeur

Perfusion cérébrale

Un patient a été exclu en raison d’un mouvement excessif de la tête. Par conséquent, un total de 36 patients de chaque groupe ont été analysés. L’analyse basée sur le voxel a révélé des augmentations significatives du CBF de la matière grise dans le groupe HBOT par rapport aux témoins, comme indiqué sur la Fig.  2 A et le tableau supplémentaire 5 . Des interactions groupe-temps significatives ont été démontrées dans le gyrus supramarginal gauche et droit (BA40), le gyrus cingulaire antérieur gauche (BA10/BA32), le lobule pariétal supérieur droit (BA7), l’aire motrice supplémentaire gauche (BA6), le gyrus parahippocampique gauche, et l’insula droite (BA13).

Figure 2
Figure 2

Microstructure cérébrale

L’analyse DTI basée sur les voxels des cartes de diffusivité moyenne (MD) de la matière grise du cerveau est illustrée à la Fig.  2 B et au tableau supplémentaire 6 . Des interactions groupe-temps significatives ont été démontrées dans le gyrus précentral frontal gauche (BA6) et le gyrus frontal moyen droit (BA10, BA8).

L’analyse DTI basée sur les voxels des cartes d’anisotropie fractionnelle (FA) de la matière blanche du cerveau est illustrée à la Fig.  2 C et au tableau supplémentaire 7 . Des interactions groupe-temps significatives ont été démontrées dans les corona radiata supérieure droite et gauche.

Il y avait des corrélations significatives entre l’interférence de la douleur et les scores d’énergie et les changements de DM dans le gyrus frontal moyen droit (r = 0,465, p <0,0001, r = – 0,309, p = 0,008 respectivement). Le score global NeturTrax était corrélé à une augmentation de la perfusion dans le gyrus supramarginal gauche (r = 0,285, p = 0,0152) (Fig.  2 D, E).

Les résultats des évaluations de l’odeur et du goût sont résumés dans le tableau supplémentaire 8 et les figures supplémentaires. 3 – 4 . Une altération de la détection des odeurs au départ a été constatée chez 27 (73 %) des patients HBOT et chez 25 (69 %) des témoins. La détection des odeurs des deux groupes s’est améliorée de manière significative et il n’y a pas eu d’interaction significative entre les groupes et le temps.

Une sensation gustative anormale au départ a été trouvée chez 18 (49%) patients du groupe HBOT et chez 12 (33%) du groupe contrôle. Par rapport au départ, il y a eu des améliorations significatives dans le groupe HBOT dans le score de goût total et dans les domaines du goût sucré et amer (p = 0,003, 0,007 et 0,014 respectivement). Dans le groupe témoin, il y avait une amélioration significative uniquement dans le domaine sucré (p = 0,034). Cependant, il n’y avait pas d’interactions significatives entre les groupes et le temps.

Les tests sanguins de base et les tests de la fonction pulmonaire se situaient dans la plage normale. Aucun changement significatif n’a été observé après le traitement (tableaux supplémentaires 9 à 10 ).

Sécurité

Les effets secondaires rapportés sont présents dans le tableau supplémentaire 11 . Il n’y avait aucune différence significative dans l’un des effets secondaires signalés entre les groupes (35,1 % et 38,9 %, p = 0,739 dans les groupes OHB et témoin, respectivement). Aucun des patients n’a dû interrompre le traitement en raison d’effets secondaires.

Discussion

Il s’agit du premier essai prospectif, randomisé et contrôlé par simulation démontrant une amélioration significative au-delà du cours de récupération clinique attendu de l’état post-COVID-19. Nous avons constaté que l’OHB améliore les fonctions dysexécutives, les symptômes psychiatriques (dépression, anxiété et somatisation), les symptômes d’interférence de la douleur et la fatigue. Ces changements étaient associés à une augmentation du CBF et à des changements microstructuraux du cerveau dans les régions frontale, pariétale et limbique associés à des rôles cognitifs et psychiatriques.

Becker et al. montrent que les principaux troubles cognitifs dans l’état post-COVID-19 sont dysexécutifs, ou brouillard cérébral, avec des implications considérables sur les résultats professionnels, psychologiques et fonctionnels 23 . Dans cette étude, des améliorations dans le domaine de la mémoire ont été observées dans les deux groupes, ce qui peut être attribué à l’évolution naturelle de la maladie. Cependant, la fonction exécutive et l’attention ne se sont améliorées qu’après l’OHB. Une étude précédente a démontré une diminution du DSC dans les cortex frontal et temporal des patients post-COVID-19 24 . Par conséquent, l’amélioration après l’OHB peut être attribuée aux augmentations de CBF et MD, démontrées dans les domaines BA10, BA8 et BA6 qui sont associés à la fonction exécutive et à l’attention 25 , 26 , 27.

L’état post-COVID-19 est associé à des symptômes psychiatriques à long terme, notamment la dépression, l’anxiété et la somatisation 3 , 4 . L’OHB a amélioré à la fois les symptômes de dépression et de somatisation. Benedetti et al. a détecté des associations robustes entre l’anxiété et la dépression chez les patients post-COVID-19, et les mesures DTI de la microstructure GM et WM dans la couronne radiée supérieure et postérieure, le faisceau longitudinal supérieur et le cingulum 28. Dans cette étude, l’amélioration psychiatrique était également associée à des changements de microstructure dans la zone supérieure de la couronne radiée. En outre, nous avons précédemment étudié des patients atteints de fibromyalgie induite par la maltraitance infantile chez lesquels l’OHB a induit des améliorations métaboliques significatives dans les mêmes zones cérébrales en plus d’une amélioration clinique similaire de la somatisation et de la dépression 14 . L’association entre l’amélioration des symptômes psychiatriques et les modifications de l’IRM renforce davantage la nature biologique de cette maladie et l’effet de l’OHB.

L’OHB a également amélioré l’interférence de la douleur. Fait intéressant, le score d’interférence de la douleur était élevé au départ dans les deux groupes alors que le score de gravité ne l’était pas. Les douleurs musculaires et articulaires diffuses sans inflammation ou malformation locale sont l’un des symptômes courants du post-COVID-19, ressemblant à d’autres syndromes de sensibilisation centrale, comme la fibromyalgie. Un nombre croissant d’études cliniques ont démontré l’efficacité de l’OHB pour améliorer la douleur et la qualité de vie des patients atteints de fibromyalgie 14 , 15 , 29 , 30 , 31 , 32 . Des études antérieures ont montré que la fibromyalgie est associée à une diminution de la perfusion cérébrale dans l’insula, l’hippocampe, le putamen, le cortex préfrontal et cingulaire 3334 , 35 . Dans l’étude actuelle, ces régions ont montré une perfusion accrue après l’OHB.

Dans l’état post-COVID-19, la fatigue est un symptôme courant, et ce symptôme a été signalé chez 77% des patients de l’étude. L’OHB a amélioré à la fois les limitations physiques et les domaines énergétiques. En concordance, Robbins et al. ont signalé une amélioration significative de la fatigue après les séances d’OHB chez les patients post-COVID-19 22 . Les changements MD induits par l’OHB dans le lobe frontal (BA 6,8,10) peuvent être associés aux résultats cliniques, car l’hypométabolisme dans le lobe frontal a été impliqué dans la fatigue chez les patients COVID-19 36 . La fatigue post-COVID-19 a de nombreux chevauchements avec le syndrome de fatigue chronique (SFC). Les symptômes communs au SFC et à l’état post-COVID-19 comprennent la fatigue, la douleur, les symptômes neurocognitifs/psychiatriques, une activité quotidienne réduite et un malaise post-effort 36. Des études antérieures ont démontré l’efficacité de l’OHB dans le SFC, pour réduire la gravité des symptômes et améliorer la qualité de vie 37 , 38 .

La pathogenèse de l’état post-COVID-19 dans le système nerveux central comprend une lésion neuronale directe dans les lobes frontaux, une lésion chronique médiée par les cellules gliales, des événements ischémiques médiés par des événements thrombotiques, un dysfonctionnement mitochondrial et une inflammation chronique 11 , 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 . De plus en plus de preuves montrent que les nouveaux protocoles d’OHB peuvent induire une neuroplasticité et améliorer la fonction cérébrale même des mois ou des années après la blessure aiguë 12 , 14 , 15 , 16 , 17 , 18. Ces protocoles, y compris celui utilisé dans la présente étude, utilisent le soi-disant «paradoxe hyperoxique-hypoxique», par lequel des fluctuations répétées de la pression et des concentrations d’oxygène induisent l’expression des gènes et les voies métaboliques essentielles à la régénération sans l’hypoxie dangereuse 11 . Ces voies peuvent moduler le système immunitaire, favoriser l’angiogenèse, restaurer la fonction mitochondriale et induire la neurogenèse dans les tissus cérébraux lésés 11 , 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 . Certains ou tous ces effets peuvent expliquer les effets bénéfiques trouvés dans l’étude actuelle.

La principale force de cette étude est le protocole factice qui s’est avéré efficace pour aveugler les participants au traitement. Bien que cette étude présente des méthodes d’imagerie avancées et une approche d’étude du cerveau entier, qui ont été corrélées avec les résultats cliniques, l’étude présente plusieurs limites. La taille de l’échantillon est relativement petite. Des études de cohorte plus importantes peuvent identifier les patients qui peuvent bénéficier le plus du traitement. Le protocole HBOT comprenait 40 séances. Cependant, un nombre optimal de séances pour un effet thérapeutique maximal reste à déterminer. Enfin, les résultats ont été recueillis 1 à 3 semaines après la dernière séance d’OHB, et les résultats à long terme restent à recueillir.

En conclusion, l’OHB peut améliorer les fonctions dysexécutives, les symptômes psychiatriques (dépression, anxiété et somatisation), les symptômes d’interférence de la douleur et la fatigue des patients souffrant d’une condition post-COVID-19. L’effet bénéfique peut être attribué à l’augmentation de la perfusion cérébrale et de la neuroplasticité dans les régions associées aux rôles cognitifs et émotionnels. D’autres études sont nécessaires pour optimiser la sélection des patients et évaluer les résultats à long terme.

Méthodes

Les patients

Les patients étaient âgés de ≥ 18 ans et présentaient des symptômes cognitifs post-COVID-19 signalés qui ont affecté leur qualité de vie et ont persisté pendant plus de trois mois après un test RT-PCR confirmant une infection symptomatique par le SRAS-CoV-2. Les patients ont été exclus s’ils avaient des antécédents de déclin cognitif pathologique, de lésion cérébrale traumatique ou de toute autre pathologie cérébrale connue non COVID-19. Les critères d’inclusion et d’exclusion sont listés Informations complémentaires .

Conception d’essai

Une étude exploratoire prospective randomisée, en double aveugle, contrôlée par simulation, de phase II a été menée du 14 décembre 2020 au 27 décembre 2021 au Shamir Medical Center (SMC), Israël. Après avoir signé un consentement éclairé, les patients ont été randomisés dans des groupes d’OHB ou de contrôle fictif dans un rapport 1: 1 selon un tableau de randomisation informatisé, supervisé par un chercheur en aveugle. Pour évaluer le masquage des participants, les patients ont été interrogés après la première séance sur leur perception du traitement qu’ils ont reçu. La procédure d’évaluation a été effectuée au départ et 1 à 3 semaines après la dernière session d’OHB/contrôle. Tous les évaluateurs ont été aveuglés à l’attribution du groupe de patients. L’étude a été approuvée par l’Institutional Review Board (IRB) de SMC (n° 332-20-ASF) et tous les participants ont signé un consentement éclairé avant leur inclusion. Toutes les recherches ont été effectuées conformément aux directives et réglementations en vigueur. Cette étude a été enregistrée auprès de ClinicalTrials.gov, numéro NCT04647656 le 01/12/2020.

Intervention

Les protocoles HBOT et simulés ont été administrés dans une chambre multi-place Starmed-2700 (HAUX, Allemagne). Le protocole comprenait 40 séances quotidiennes, cinq séances par semaine sur une période de deux mois. Le protocole HBOT comprenait la respiration d’oxygène à 100 % par masque à 2ATA pendant 90 minutes avec des pauses d’air de cinq minutes toutes les 20 minutes. Les taux de compression/décompression étaient de 1,0 m/min. Le protocole factice comprenait la respiration de 21 % d’oxygène par masque à 1,03 ATA pendant 90 min. Pour masquer les contrôles, la pression de la chambre a été augmentée jusqu’à 1,2 ATA pendant les cinq premières minutes de la session avec un bruit d’air circulant suivi d’une décompression (0,4 m/min) à 1,03 ATA pendant les cinq minutes suivantes.

Résultats primaires et secondaires

Le principal résultat de l’étude était l’évaluation cognitive telle qu’évaluée par la batterie de tests cognitifs informatisés Mindstreams (NeuroTrax Corporation, Bellaire, TX). Cette évaluation évalue divers domaines cognitifs, notamment : la mémoire, les fonctions exécutives, l’attention, la vitesse de traitement de l’information et la motricité. Les scores cognitifs ont été normalisés pour l’âge, le sexe et le niveau d’éducation. Les méthodes d’essais sont décrites dans les informations complémentaires .

Les résultats secondaires comprennent les mesures suivantes :

Des IRM d’imagerie cérébrale ont été réalisées sur un scanner MAGNETOM VIDA 3 T, configuré avec des bobines de tête de récepteur à 64 canaux (Siemens Healthcare, Erlangen, Allemagne). Le protocole d’IRM comprenait une récupération d’inversion atténuée par les fluides 3D pondérée en T2 (FLAIR), une imagerie pondérée en fonction de la susceptibilité (SWI), une analyse de susceptibilité dynamique MPRAGE 3D pondérée en T1 à haute résolution avant et après contraste .trast (DSC) pour calculer les cartes de perfusion quantitatives du cerveau entier et l’imagerie du tenseur de diffusion (DTI) pour les changements de microstructure dans la détermination de la matière grise et blanche. Une description détaillée se trouve dans le . En bref, le prétraitement des images DSC et DTI a été effectué à l’aide du logiciel SPM (version 12, UCL, Londres, Royaume-Uni) et comprenait la correction de mouvement, le co-enregistrement avec les images MPRAGE T1, la normalisation spatiale et le lissage spatial avec une taille de noyau de 6 mm. pleine largeur à mi-hauteur (FWHM). L’analyse de perfusion quantitative du cerveau entier a été réalisée comme décrit dans les études précédentes 39 , 40. L’intensité du signal MR a été convertie en concentrations de Gd, l’AIF a été déterminée automatiquement, ajustée à la fonction variable gamma et déconvoluée voxel par voxel pour calculer les cartes de perfusion cérébrale.

Le débruitage des volumes cérébraux de diffusion a été effectué à l’aide du filtre Joint Anisotropic LMMSE pour la suppression du bruit stationnaire Rician 41 et le calcul des cartes DTI-FA (anisotropie fractionnelle) et MD (diffusivité moyenne) a été effectué à l’aide d’un logiciel interne écrit en Matlab R2021b (Mathworks, Natick , MA).

Les questionnaires autodéclarés inclus étaient le formulaire court-36 (SF-36) pour évaluer la qualité de vie, le Pittsburgh Sleep Quality Index (PSQI) pour évaluer la qualité du sommeil, le Brief Symptom Inventory (BSI-18) pour évaluer la détresse psychologique, basé sur trois sous-échelles : la dépression, l’anxiété et la somatisation, et le Brief Pain Inventory (BPI) pour mesurer l’intensité et l’impact de la douleur.

L’odorat a été évalué par le Sniffin’ Sticks Test (Burghardt, Wedel, Allemagne). Le kit est standardisé pour l’âge et le sexe. Le goût a été évalué par un Taste Strip Test (Burghardt, Wedel, Allemagne), comprenant quatre goûts : amer, acide, salé et sucré.

Les mesures de la fonction pulmonaire ont été réalisées par un spiromètre KoKo Sx1000 (Nspire health, USA). Des échantillons de sang ont été prélevés pour la numération globulaire complète, la chimie et les marqueurs inflammatoires. Les participants ont été surveillés pour les événements indésirables, y compris les barotraumatismes (oreille ou sinus) et la toxicité de l’oxygène (système nerveux pulmonaire et central). Cet article traite des aspects cognitifs et comportementaux de la condition post-COVID-19. Des critères de jugement secondaires supplémentaires, notamment une évaluation neurophysique, un test d’effort cardiopulmonaire, une échocardiographie et une imagerie cérébrale fonctionnelle, seront présentés dans de futurs manuscrits.

analyses statistiques

Les données continues sont exprimées sous forme de moyennes ± écarts-types (ET). Des tests t indépendants bilatéraux ont été effectués pour comparer les variables entre les groupes lorsqu’une hypothèse de normalité était maintenue selon un test de Kolmogorov – Smirnov. Les tailles d’effet net ont été évaluées à l’aide de la méthode d de Cohen, définie comme l’amélioration par rapport au départ après une intervention fictive soustraite de l’amélioration après l’OHB, divisée par l’écart type regroupé du score composite. Les données catégorielles ont été exprimées en nombres et en pourcentages, comparées par les tests exacts du chi carré/Fisher. Pour évaluer l’effet de l’OHB, un modèle ANOVA à mesures répétées à modèle mixte a été utilisé pour comparer les données post-traitement et pré-traitement. Le modèle incluait le temps, le groupe et l’interaction groupe par temps. Une correction de Bonferroni a été utilisée pour les comparaisons multiples. Une valeur de p < 0. 05 a été considéré comme significatif. Les corrélations de Pearson ont été réalisées entre les changements de perfusion et de diffusion et le changement des scores du questionnaire avant et après l’OHB et le simulacre. L’analyse des données d’imagerie a été effectuée sur les cartes CBF, FA et MD normalisées, en utilisant la méthode basée sur les voxels pour générer des cartes paramétriques statistiques. Un masque de matière grise a été appliqué sur les cartes CBF et MD, et un masque de matière blanche sur les cartes FA (en utilisant un seuil de 0,2). Un modèle ANOVA à mesures répétées intra-sujet a été utilisé pour tester le principal effet d’interaction entre le temps et le groupe mis en œuvre dans le logiciel SPM (version 12, UCL, Londres, Royaume-Uni). Une correction de Hochberg séquentielle a été utilisée pour corriger les comparaisons multiples (P < 0,05) Les corrélations de Pearson ont été réalisées entre les changements de perfusion et de diffusion et le changement des scores du questionnaire avant et après l’OHB et le simulacre. L’analyse des données d’imagerie a été effectuée sur les cartes CBF, FA et MD normalisées, en utilisant la méthode basée sur les voxels pour générer des cartes paramétriques statistiques. Un masque de matière grise a été appliqué sur les cartes CBF et MD, et un masque de matière blanche sur les cartes FA (en utilisant un seuil de 0,2). Un modèle ANOVA à mesures répétées intra-sujet a été utilisé pour tester le principal effet d’interaction entre le temps et le groupe mis en œuvre dans le logiciel SPM (version 12, UCL, Londres, Royaume-Uni). Une correction de Hochberg séquentielle a été utilisée pour corriger les comparaisons multiples (P < 0,05) Les corrélations de Pearson ont été réalisées entre les changements de perfusion et de diffusion et le changement des scores du questionnaire avant et après l’OHB et le simulacre. L’analyse des données d’imagerie a été effectuée sur les cartes CBF, FA et MD normalisées, en utilisant la méthode basée sur les voxels pour générer des cartes paramétriques statistiques. Un masque de matière grise a été appliqué sur les cartes CBF et MD, et un masque de matière blanche sur les cartes FA (en utilisant un seuil de 0,2). Un modèle ANOVA à mesures répétées intra-sujet a été utilisé pour tester le principal effet d’interaction entre le temps et le groupe mis en œuvre dans le logiciel SPM (version 12, UCL, Londres, Royaume-Uni). Une correction de Hochberg séquentielle a été utilisée pour corriger les comparaisons multiples (P < 0,05) Un masque de matière grise a été appliqué sur les cartes CBF et MD, et un masque de matière blanche sur les cartes FA (en utilisant un seuil de 0,2). Un modèle ANOVA à mesures répétées intra-sujet a été utilisé pour tester le principal effet d’interaction entre le temps et le groupe mis en œuvre dans le logiciel SPM (version 12, UCL, Londres, Royaume-Uni). Une correction de Hochberg séquentielle a été utilisée pour corriger les comparaisons multiples (P < 0,05) Un masque de matière grise a été appliqué sur les cartes CBF et MD, et un masque de matière blanche sur les cartes FA (en utilisant un seuil de 0,2). Un modèle ANOVA à mesures répétées intra-sujet a été utilisé pour tester le principal effet d’interaction entre le temps et le groupe mis en œuvre dans le logiciel SPM (version 12, UCL, Londres, Royaume-Uni). Une correction de Hochberg séquentielle a été utilisée pour corriger les comparaisons multiples (P < 0,05)42 . L’analyse des données a été effectuée à l’aide de Matlab R2021b (Mathworks, Natick, MA) Statistics Toolbox.

La taille estimée de l’échantillon a été calculée sur la base de notre étude récente chez des adultes en bonne santé 19 . Une amélioration du score cognitif global Mindstreams-NeuroTrax de 5,2 et 0,8 points, avec un écart type de 6,7 points, a été constatée respectivement dans les groupes HBOT et témoin. En supposant une puissance de 80 % et un niveau de signification bilatéral de 5 %, un total de 74 participants serait nécessaire, 37 participants dans chaque bras. Compte tenu d’un taux d’abandon de 15 %, la taille totale de l’échantillon requise est de 85.

40% de moins de covid long chez les vaccinés

Risque de Long Covid chez les personnes infectées par le SRAS-CoV-2 après deux doses d’un vaccin COVID-19 : étude de cohorte communautaire appariée 

Daniel AyoubkhaniMatthieu L Bosworth Sacha King Koen B Pouwels Myer Glickman Vahé NafilyanFrancesco Zaccardi Kamlesh Khunti Nisreen A Alwan Une Sarah Walker

Forum ouvert sur les maladies infectieuses , ofac464, 

https://doi.org/10.1093/ofid/ofac464Publié :12 septembre 2022

 Historique des articles

Résumé

Nous avons étudié l’incidence de Long Covid par statut vaccinal dans un échantillon aléatoire d’adultes britanniques d’avril 2020 à novembre 2021. Des symptômes persistants ont été signalés par 9,5 % des 3 090 infections par le SRAS-CoV-2 et 14,6 % des témoins non vaccinés (rapport de cotes ajusté 0,59, IC à 95 % : 0,50-0,69), soulignant la nécessité d’initiatives de santé publique pour accroître le taux de vaccination au niveau de la population.

Vers une meilleure compréhension des mécanismes d’entrée du virus SARS-CoV-2 dans les cellules hôtes


21 Juil, 2022 | Actualité scientifique

article

Le SARS-CoV-2 est responsable de la pandémie actuelle de COVID-19. Comme tous les coronavirus, le SARS-CoV-2 fusionne son enveloppe virale avec la membrane de la cellule hôte pour lui délivrer son génome et initier un cycle de réplication. La protéine Spike, ancrée dans l’enveloppe virale, est une cible majeure de la réponse immunitaire et joue un rôle fondamental dans l’entrée virale. Cette dernière
fonction est assurée par des sites de clivage reconnus par diverses protéases cellulaires. L’équipe du Dr Sandrine Belouzard du Centre d’Infection et d’Immunité de Lille (Inserm U1019-CNRS UMR9017) a étudié l’importance de ces sites de clivage sur les fonctions d’entrée de Spike. Les résultats montrent que la nature des sites de clivage influence le clivage de la protéine, son traBc intracellulaire et ses capacités de fusion et d’entrée et cela de façon différente en fonction du type cellulaire. Ces résultats publiés dans la revue Journal of Virology montrent la diversité des mécanismes utilisés par la protéine Spike en fonction du type cellulaire, ce qui concorde avec la grande adaptabilité du SARS-CoV-2.

SARS-CoV-2 Spike Furin Cleavage Site and S2′ Basic Residues Modulate the Entry Process in a Host Cell-Dependent Manner.

Lavie M, Dubuisson J, Belouzard S.
J Virol. 2022 Jun 9:e0047422. doi: 10.1128/jvi.00474-22

U1019 – UMR9017 “Centre d’infection et d’immunité de Lille”
Inserm – CNRS – Université de Lille – CHU Lille

Une étude explique la base moléculaire des longs symptômes du COVID

La myopathie comme cause de fatigue

La myopathie comme cause de fatigue dans les symptômes post-COVID-19 à long terme : Preuve de l’histopathologie des muscles squelettiques

Première publication:06 juin 2022

Résumé

Arrière plan

Parmi les symptômes post-COVID-19, la fatigue est signalée comme l’un des plus courants, même après une infection aiguë légère, et comme cause de la fatigue, une myopathie diagnostiquée par électromyographie a été proposée dans des rapports précédents. Cette étude visait à explorer les changements histopathologiques chez les patients souffrant de fatigue post-COVID-19 .

Méthodes

Seize patients (âge moyen : 46 ans) présentant des plaintes post-COVID-19 de fatigue, de myalgie ou de faiblesse persistant jusqu’à 14 mois ont été inclus. Chez tous les patients, une électromyographie quantitative et des biopsies musculaires analysées en microscopie optique et électronique ont été réalisées.

Résultats

Une faiblesse musculaire était présente chez 50%, une électromyographie myopathique chez 75% alors que chez tous les patients, il y avait des modifications histologiques. Une atrophie des fibres musculaires a été trouvée chez 38 % des patients et 56 % ont montré des signes de régénération des fibres. Des modifications mitochondriales, comprenant une perte d’activité COX, une accumulation sous-sarcolemmale et/ou des crêtes anormales, étaient présentes dans 62 % des cas. L’inflammation a été trouvée dans 62 % des cas, sous forme d’expression des lymphocytes T et/ou des fibres musculaires HLA-ABC. Dans 75 % des cas, les capillaires étaient touchés impliquant la lame basale et les cellules. Chez deux patients, des quantités inhabituelles de lame basale ont été trouvées, non seulement autour des fibres musculaires, mais aussi autour des nerfs et des capillaires.

conclusion

La grande variété de changements histologiques dans cette étude suggère que les muscles squelettiques pourraient être une cible majeure du SRAS-CoV-2 provoquant des symptômes musculaires post-COVID-19. Les changements mitochondriaux, l’inflammation et les lésions capillaires dans les biopsies musculaires peuvent causer de la fatigue en partie en raison d’un apport énergétique réduit. Étant donné que la plupart des patients souffraient d’une affection aiguë légère à modérée, les nouvelles variantes susceptibles de provoquer une maladie aiguë moins grave pourraient encore avoir la capacité de provoquer une myopathie à long terme.

Symptômes, complications et prise en charge du long COVID : un bilan

À l’échelle mondiale, il y a maintenant plus de 160 millions de cas confirmés de COVID-19 et plus de 3 millions de décès. Bien que la majorité des personnes infectées se rétablissent, une proportion importante continue de présenter des symptômes et des complications après leur maladie aiguë. Les patients atteints de « COVID long » présentent un large éventail de symptômes physiques et mentaux/psychologiques. Les données de prévalence regroupées ont montré que les 10 symptômes signalés les plus fréquents étaient la fatigue, l’essoufflement, les douleurs musculaires, les douleurs articulaires, les maux de tête, la toux, les douleurs thoraciques, l’altération de l’odorat, l’altération du goût et la diarrhée. Les autres symptômes courants étaient les troubles cognitifs, la perte de mémoire, l’anxiété et les troubles du sommeil. Au-delà des symptômes et des complications, les personnes atteintes de COVID depuis longtemps ont souvent signalé des problèmes de qualité de vie, de santé mentale et d’emploi. Ces personnes peuvent nécessiter des soins multidisciplinaires impliquant la surveillance à long terme des symptômes, pour identifier les complications potentielles, la réadaptation physique, la santé mentale et le soutien des services sociaux. Des systèmes de santé résilients sont nécessaires pour garantir des réponses efficientes et efficaces aux futurs défis sanitaires.

À l’échelle mondiale, il y a maintenant plus de 160 millions de cas confirmés de COVID-19 et plus de 3 millions de décès. 1 La majorité des personnes atteintes de COVID-19 souffrent d’une maladie légère à modérée, tandis qu’environ 10 % à 15 % développent une maladie grave et 5 % deviennent gravement malades. 2 Le temps de récupération moyen de la COVID-19 est de 2 à 3 semaines selon la gravité des symptômes. 3– 5 Cependant, 1 personne sur 5, quelle que soit la gravité de son infection aiguë, peut présenter des symptômes pendant 5 semaines ou plus, tandis qu’une personne sur 10 peut présenter des symptômes pendant 12 semaines ou plus. 6 Il n’y a pas encore de consensus sur les définitions appropriées des situations où les symptômes de la COVID-19 persistent au-delà de la phase aiguë de l’infection. Le terme « COVID long » inventé par les patients a été proposé 7 , 8 et des appels ont été lancés pour son adoption complète dans la littérature scientifique. 9 , 10La directive actuelle du National Institute for Health and Care Excellence du Royaume-Uni stipule que le COVID-19 long englobe le COVID-19 symptomatique continu (où les symptômes durent de 4 à 12 semaines) et le syndrome post-COVID-19 (lorsqu’ils persistent au-delà de 12 semaines en l’absence d’un diagnostic alternatif). 11 Illustration 1décrit l’évolution clinique potentielle de la COVID-19. Cette revue résume les preuves actuelles sur la prévalence des symptômes, les complications et la prise en charge de la COVID longue et met en évidence les domaines de recherche prioritaires.


                        chiffre

Figure 1. Représentation de l’évolution clinique du long COVID.

 

Nous avons recherché dans la base de données Living Systematic Review 12 le 8 février 2021 des articles décrivant des symptômes persistants de la COVID-19. Cette base de données récupère les publications scientifiques liées au COVID-19 de PubMed, EMBASE, MedRxiv et BioRxiv. Nous avons également effectué une recherche manuelle des listes de référence des articles sélectionnés. Les auteurs qui ont effectué la sélection ont discuté et se sont mis d’accord sur les articles inclus. L’évaluation critique des études a été effectuée à l’aide de l’échelle Newcastle Ottawa modifiée.

Inclusion

  • Études quantitatives et qualitatives d’adultes présentant des symptômes continus de COVID-19 ou de syndrome post-COVID.
  • Publié depuis le 1er janvier 2020.
  • Langue Anglaise.

Exclure

  • Études qui se concentrent uniquement sur la COVID-19 aiguë (<4 semaines).
  • Critiques narratives, commentaires, articles d’opinion et lettres qui ne rapportent pas les principales conclusions.

Symptomatologie et expériences vécues du long COVID

Résultats de recherche

Nous avons récupéré 1809 entrées de notre recherche dans la base de données et deux chercheurs indépendants en ont examiné 1574 après avoir supprimé les doublons. Les textes intégraux de 94 articles ont été examinés et 24 ont été sélectionnés. Trois autres articles ont été identifiés grâce à une recherche manuelle, portant le nombre total d’articles inclus à 27.

Longs symptômes COVID

Les patients atteints de longue durée de COVID éprouvent la persistance d’un large éventail de symptômes physiques et mentaux/psychologiques. Le tableau 1 montre les symptômes du long COVID décrits par 27 articles de recherche primaires que nous avons inclus dans cette revue. 3 , 4 , 13– 36 Selon la classification du National Institute for Health and Care Excellence, 19 articles décrivaient la COVID-19 symptomatique en cours (symptômes durant 4 à 12 semaines) 3 , 4 , 13– 19 , 21 , 22 , 24 , 25 , 27 , 28 , 31– 33 , 36 , 37 and 8 ont rapporté un syndrome post-COVID-19 (symptômes persistant au-delà de 12 semaines). 18 , 20 , 23 , 26 , 27 , 30 , 34 , 36 Trois études ont fourni des données pour les deux catégories. 18 , 27 , 36 L’ encadré 1 résume l’évaluation critique de ces études.

Table

Tableau 1. Signes et symptômes du long COVID.

Tableau 1. Signes et symptômes du long COVID.

Table

Encadré 1. Évaluation critique des études qui ont rapporté la prévalence de longs symptômes de COVID.

Encadré 1. Évaluation critique des études qui ont rapporté la prévalence de longs symptômes de COVID.

 

Nous avons regroupé les données de prévalence des articles inclus ( Figure 2) et les 10 symptômes rapportés les plus fréquents étaient : (i) fatigue 47 % (IC à 95 % 31-63) ; (ii) dyspnée (essoufflement) 32 % (IC à 95 % 18–47) ; (iii) myalgie (douleur musculaire) 25 % (IC à 95 % 13–37) ; (iv) douleurs articulaires 20 % (IC à 95 % 13–27) ; (v) maux de tête 18 % (IC à 95 % 9-27) ; (vi) toux 18 % (IC à 95 % 12–25) ; (vii) douleur thoracique 15 % (IC à 95 % 9–20) ; (viii) odeur altérée 14 % (IC à 95 % 11-18) ; (ix) goût altéré 7 % (IC à 95 % 4–10) ; et (x) diarrhée 6 % (IC à 95 % 4–9). Figures 3 à 5montrent des parcelles forestières individuelles pour la fatigue, la dyspnée (essoufflement) et la myalgie (douleur musculaire) (Figures S1 à S7 dans Supplément pour les autres).


                        chiffre

Figure 2. Estimations groupées pour les 10 symptômes les plus courants chez les patients atteints de longue durée de COVID-19.


                        chiffre

Figure 3. Estimation groupée de la prévalence de la fatigue chez les patients atteints de longue durée de COVID-19.

 

D’autres symptômes courants étaient les troubles cognitifs « brouillard cérébral », l’amnésie (perte de mémoire), les troubles du sommeil, les palpitations (conscience des battements cardiaques) et les maux de gorge. Des symptômes moins courants tels que l’écoulement nasal, les éternuements, l’enrouement, la douleur à l’oreille et des critères de jugement rares mais importants, notamment les pensées d’automutilation et de suicide, les convulsions et l’incontinence urinaire, n’ont été signalés que par les études symptomatiques en cours sur la COVID-19. À l’inverse, la perte de cheveux, la perte auditive et les tremblements n’ont été rapportés que par des articles axés sur le syndrome post-COVID-19. 20 , 23 , 26 Le syndrome de Sicca, également connu sous le nom de syndrome de Sjögren, une affection caractérisée par des yeux secs et une sécheresse de la bouche, n’a été rapporté que par une seule étude. 13Deux principaux groupes de symptômes de COVID long ont été identifiés, à savoir : (i) ceux comprenant exclusivement de la fatigue, des maux de tête et des troubles des voies respiratoires supérieures ; et (ii) ceux qui ont des plaintes multisystémiques, y compris une fièvre persistante et des symptômes gastro-entérologiques. 4

Symptômes COVID longs en relation avec la gravité de la COVID-19 aiguë

La présence de plus de cinq symptômes au cours de la première semaine d’infection aiguë était significativement associée au développement d’un COVID long, quel que soit l’âge ou le sexe. 4

Bien qu’il ait été démontré que le nombre de symptômes diminue de la COVID-19 aiguë au suivi, 29 plusieurs études ont démontré qu’un nombre important de patients continuent de présenter des symptômes persistants, quelle que soit la gravité de la maladie initiale. 14– 16 , 18 , 35 Par exemple, une étude qui a regroupé les patients comme ayant une COVID-19 aiguë légère, modérée ou sévère en fonction de leur besoin de supplémentation en oxygène et/ou de soins intensifs a montré que 59 % (16/27) des patients atteints d’une maladie bénigne ont continué à ressentir les symptômes de la COVID-19 après 8 à 12 semaines de suivi depuis l’apparition des symptômes. 35 En comparaison, 75 % (49/65) et 89 % (16/18) des patients des groupes modéré et sévère présentaient des symptômes persistants au cours de la même période. 35 L’essoufflement et la fatigue étaient les symptômes les plus courants, quelle que soit la gravité de la maladie aiguë. 35

Dans une étude monocentrique portant sur 143 patients précédemment hospitalisés, 87,4 % présentaient au moins un symptôme (principalement fatigue et dyspnée) et 55 % ont signalé trois symptômes ou plus au moment de l’évaluation, environ huit semaines après l’apparition du premier symptôme. 14

Une étude portant sur 26 patients atteints de COVID-19 léger a rapporté que 96,2 % présentaient au moins un symptôme et 69,2 % présentaient quatre symptômes ou plus six semaines après l’apparition des symptômes. 16 De même, une autre étude a révélé que dans un échantillon de 150 patients atteints principalement de COVID-19 aigu léger à modéré (77,3 %, 116/150), au moins un symptôme persistant a été signalé à huit semaines chez 66 % des patients. 15 Notamment, l’anosmie/agueusie (perte de l’odorat/du goût), la myalgie (douleur musculaire) ou les maux de tête étaient les symptômes qui persistaient chez les patients atteints de COVID-19 léger à modéré dans cette étude. 15 Dans un échantillon de patients avec une infection confirmée principalement bénigne (96,6 %, 225/233), une étude a révélé que près d’un quart présentaient encore au moins un symptôme après 12 semaines. 18Enfin, une étude avec un suivi de six mois après l’apparition des symptômes a révélé que 76% (1265/1733) des patients précédemment hospitalisés ont signalé au moins un symptôme, et la proportion était plus élevée chez les femmes. 23 Les femmes ont également des risques plus élevés de fatigue ou de faiblesse que les hommes. 23

Déterminants de la survenue de symptômes persistants

Âge plus avancé, 4 , 15 , 24 sexe féminin, 4 , 24 admission à l’hôpital au début des symptômes, 4 , 15 dyspnée initiale, 15 , 18 douleurs thoraciques, 18 résultats d’auscultation anormaux (bruits du cœur, des poumons ou d’autres organes), 15 symptômes charge pendant la phase aiguë 4 , 29 et comorbidités 29 notamment asthme 4se sont avérés significativement associés à un risque accru de développer des symptômes persistants. Le besoin d’oxygénothérapie, l’hypertension préexistante et les affections pulmonaires chroniques ont été mis en évidence comme les principaux déterminants des symptômes à long terme. 19

L’âge avancé, l’état de santé autodéclaré avant l’apparition des symptômes, les comorbidités préexistantes et le nombre de symptômes au cours d’une infection aiguë se sont avérés prédire de manière significative le nombre de symptômes que les patients atteints de longue COVID peuvent ressentir lors du suivi. 21 Bien que Moreno-Pérez et al. ont trouvé une association significative entre l’anosmie-dysgueusie et le jeune âge (<65 ans) à 10-14 semaines, 27 cela n’était pas statistiquement significatif dans l’analyse effectuée par une autre étude à 8 semaines. 32

Expérience vécue

Les effets et l’impact à moyen et à long terme de la maladie due au COVID-19 ne sont pas encore pleinement compris. Cependant, il existe des preuves que l’impact de la COVID-19 aiguë sur les patients, quelle que soit leur gravité, s’étend au-delà de l’hospitalisation dans les cas graves, à une altération continue de la qualité de vie, de la santé mentale et des problèmes d’emploi. 14 , 15 , 17 , 24 Les personnes vivant avec une longue COVID ont indiqué qu’elles souffraient d’une gamme de symptômes, se sentaient « abandonnées » et « rejetées » par les prestataires de soins de santé et recevaient des conseils limités ou contradictoires. 38 Plus d’un tiers (48/130) des patients d’une étude ont déclaré qu’ils se sentaient toujours malades ou dans un état clinique pire à huit semaines qu’au début de la COVID-19. 15

Qualité de vie

Le score générique de l’indice EuroQol Five Dimension (EQ-5D), l’échelle visuelle analogique EuroQol (EQ-VAS), 3 , 14 , 23 , 27 , 30 RAND Short Form-36 questionnaire (SF-36) 35 et le PROMIS® Global Health l’ instrument 33 ont été utilisés pour évaluer la qualité de vie des patients atteints de long COVID. Les preuves existantes suggèrent que les personnes atteintes de COVID depuis longtemps subissent des réductions significatives de leur qualité de vie.

Qualité de vie à 4–12 semaines

Dans une étude sur des patients précédemment hospitalisés atteints de COVID-19 aux États-Unis, les scores de l’instrument PROMIS® Global Health-10 ont indiqué une moins bonne santé générale après leur maladie aiguë par rapport à la valeur initiale. 33 Les scores t récapitulatifs des patients dans les domaines de la santé physique et de la santé mentale étaient légèrement supérieurs à la moyenne des États-Unis au départ. Cependant, les deux scores étaient significativement inférieurs et les patients ont signalé une capacité réduite à mener des activités sociales 4 à 6 semaines après l’hospitalisation. 33

Le score global de l’indice EQ-5D était de 0,86 (écart type 0,20) et l’EQ-VAS était de 70,3 % (écart type 21,5) à environ huit semaines dans une cohorte de patients atteints de COVID-19 aigu sévère. 3 Une autre étude a indiqué que les patients précédemment hospitalisés avaient un score EQ-VAS moyen de 63 %, et sur la base de leurs données, 44,1 % des patients ont connu une réduction de la qualité de vie (définie comme une différence de 10 points dans l’état de santé) avant COVID-19 versus huit semaines de suivi. 14 Cependant, ces résultats sont difficiles à interpréter sans données provenant de témoins appariés selon l’âge et le sexe sans COVID-19.

Les scores obtenus à partir de l’administration du SF-36 à 8-12 semaines aux patients atteints de COVID-19 aigu léger, modéré et sévère ont montré une altération de l’état de santé signalé dans tous les domaines par rapport aux normes de population appariées selon l’âge. 35 Les scores physiques étaient significativement inférieurs dans le groupe sévère par rapport aux patients des groupes légers à modérés. 35

Qualité de vie à 12 semaines ou plus

Une comparaison des scores EQ-VAS a montré une différence significative dans la qualité de vie globale des patients présentant des symptômes persistants et de ceux qui n’ont signalé aucun symptôme après leur infection aiguë à 10-14 semaines (43,2 % contre 66,9 %, p = 0,0001). 27 Dans une étude avec un suivi de six mois de patients précédemment hospitalisés, un score global EQ-VAS de 80 % a été rapporté indiquant des réductions persistantes de la qualité de vie. 23

À six mois de suivi, dans une étude portant sur des patients précédemment hospitalisés atteints du syndrome de détresse respiratoire aiguë (SDRA) lié à la COVID-19, 67 % (61/91) avaient une diminution de leur qualité de vie. 30 La comparaison des scores de l’indice EQ-5D avant l’infection aiguë et six mois après a montré une différence significative dans la qualité de vie ( avant  = 0,965, après  = 0,705, p < 0,001). Leurs scores EQ-VAS étaient également significativement différents ( avant  = 87,6 %, après  = 66,4 %, p < 0,001). 30 De même, il y avait une altération significative de l’état fonctionnel chez les patients avec seulement 30,8 % ne déclarant aucune limitation dans leur vie quotidienne (sur la base de l’échelle de l’état fonctionnel post-COVID-19). 30Dans une étude qui incluait des personnes qui pratiquaient régulièrement des sports avant l’hospitalisation pour COVID-19 (les détails des activités sportives n’étaient pas donnés), 72 % (28/39) ont pu reprendre une activité physique après trois mois, et près de la moitié de ceux ne pouvaient le faire qu’à une intensité plus faible. 20

Impact sur la santé mentale

À huit semaines après l’infection aiguë, près de la moitié de tous les patients (238/488) interrogés dans une étude ont été émotionnellement affectés par leurs expériences de longue COVID avec 28 nécessitant des soins de santé mentale supplémentaires. 17 À six mois de suivi après l’apparition des symptômes, une autre étude a révélé que 23 % des patients précédemment hospitalisés souffraient d’anxiété ou de dépression, les femmes étant plus susceptibles que les hommes. 23

Cependant, une étude qui a utilisé les échelles de bien-être mental de Warwick-Edimbourg a rapporté que ses scores étaient comparables aux normes de population publiées, et qu’il n’y avait pas de différences significatives entre les patients atteints d’une infection légère, modérée ou grave. 35 Selon les données des questionnaires Patient Health Questionnaire 9 (PHQ-9) et Generalized Anxiety Disorder 7 (GAD-7) administrés à un groupe de patients atteints de COVID-19 aigu sévère environ huit semaines après leur sortie de l’hôpital, les patients souffraient principalement de dépression légère et l’anxiété. 3

Une étude menée en Turquie s’est concentrée sur la santé mentale des patients précédemment traités dans un hôpital tertiaire à huit semaines de suivi. Les données recueillies à l’aide de l’Impact of Events Scale-Revised (IES-R) ont montré qu’un quart des patients (72/284) présentaient des symptômes de trouble de stress post-traumatique (SSPT) modérés à sévères, tandis que 18,3 % (52/284) présentaient légers symptômes de SSPT. 28 Plus de 40 % ont signalé une dépression comorbide. Sur la base des réponses à l’échelle de suicidalité du Mini-International Neuropsychiatric Interview, 7,4 % (21/284) des patients ont eu une réponse positive à un ou plusieurs items. Parmi ceux-ci, six présentaient un risque actuel de suicide « modéré », d’après le score combiné de leur mini-entrevue neuropsychiatrique internationale. 28En outre, l’étude a révélé que l’occurrence du SSPT était significativement plus élevée et plus grave chez les femmes. Les patients atteints de COVID-19 aigu sévère présentaient une occurrence significativement plus élevée de symptômes de SSPT et ceux avec un fardeau moyen de symptômes aigus plus élevé étaient plus susceptibles de présenter des symptômes de SSPT. 28 Cependant, une proportion significative de patients présentant des symptômes de SSPT modérés à sévères avaient un diagnostic psychiatrique antérieur.

Un soutien social inadéquat était lié à l’apparition et à la gravité des symptômes du PSTD. 28 La stigmatisation sociale et la discrimination semblaient influencer la gravité des symptômes du TSPT, car l’étude a révélé que les patients qui se sentaient stigmatisés étaient plus susceptibles de présenter des symptômes de TSPT modérés à sévères. 28 La stigmatisation liée au COVID-19 a également été liée à un sentiment de désespoir chez les patients. 38 , 39

Impact sur l’emploi

Une étude a révélé que parmi 195 patients qui travaillaient avant l’hospitalisation, 40 % n’ont pas pu retourner au travail dans les huit semaines suivant leur congé en raison de problèmes de santé persistants ou d’une perte d’emploi. 17 Parmi ceux qui ont repris le travail, un quart a dû réduire ses heures de travail ou modifier ses tâches pour des raisons de santé. 17 Une autre étude a rapporté que près de 70 % (38/56) des patients précédemment hospitalisés étaient incapables de reprendre le travail trois mois après l’hospitalisation. 20

Risque de réadmission

La fièvre persistante et les repas sautés ont été signalés comme étant de bons prédicteurs d’une visite ultérieure à l’hôpital. 4 Quelques études ont rapporté des incidences de réadmission de patients précédemment hospitalisés avec une COVID longue allant de 1,4 % à 15 %. 17 , 23 , 33 L’étude de Chopra et al. ont constaté que 15 % (189) des patients précédemment hospitalisés présentaient suffisamment de symptômes pour nécessiter une réadmission dans les huit semaines suivant leur sortie. 17

Complications associées au long COVID-19

Le COVID-19 est une maladie multisystémique, qui peut survenir avec des complications lors de la présentation ou se développer pendant la phase aiguë de la maladie. Ces complications peuvent être respiratoires, 40 cardiovasculaires, 41– 45 rénaux, 46– 48 gastro-hépatiques, 49– 53 thromboemboliques, 54– 58 neurologiques, 59– 61 cérébrovasculaire 62– 64 et auto-immune 13 , 65 entre autres.

Au-delà des symptômes persistants, les patients atteints de long COVID peuvent avoir des complications cliniques liées à la maladie. 39 L’épidémiologie et la physiopathologie des complications de la COVID longue ne sont actuellement pas bien comprises. Alors que certaines études ont décrit certains résultats initiaux qui sont présentés ici, il existe un besoin urgent de recherche sur les mécanismes sous-jacents ( Encadré 2 ). 66 , 67

Table

Encadré 2. Domaines prioritaires et considérations pour les recherches futures.

Encadré 2. Domaines prioritaires et considérations pour les recherches futures.

 

Anomalies cardiovasculaires

Des preuves de myocardite ou de lésion myocardique antérieure par imagerie par résonance magnétique cardiaque ont été trouvées chez 12/26 (46 %) athlètes universitaires 12 à 53 jours après leur infection aiguë au COVID-19 malgré le fait qu’aucun n’ait été hospitalisé ; moins de la moitié présentaient des symptômes légers et le reste asymptomatique. 68 Une étude portant sur 100 patients a montré que 78 % présentaient des résultats anormaux sur la base des résultats d’imagerie par résonance magnétique cardiaque 2 à 3 mois après le début de la COVID-19 et 60 % présentaient des signes d’inflammation du myocarde indépendamment de la gravité et de l’évolution globale de leur maladie aiguë . 69Comme pour la plupart de la littérature disponible sur le long COVID, la sélection de l’échantillon n’était pas aléatoire et peut être biaisée. Cependant, la possibilité d’anomalies cardiovasculaires survenant chez les patients atteints de COVID long a été étayée par une autre étude qui a rapporté que jusqu’à 40% des patients COVID-19 présentaient une péricardite ou une myocardite> 70 jours après l’infection. 70

Anomalies pulmonaires

Tests de la fonction pulmonaire

Une étude a mené des tests de la fonction pulmonaire sur un échantillon de 57 patients 30 jours après leur sortie pour COVID-19 aigu et a signalé une diminution de la capacité de diffusion pulmonaire du monoxyde de carbone (DLCO) chez 53 % et une diminution de la force des muscles respiratoires chez 49 % des patients. 71 Dans une autre étude, des anomalies de la fonction pulmonaire ont été détectées chez environ un quart des patients (14/55) trois mois après la sortie de l’hôpital. 34 L’anomalie de la fonction pulmonaire la plus fréquente (16,36 %) était la DLCO. Un niveau plus élevé de D-dimères à l’admission était significativement associé à un DLCO % < 80 %, ce qui suggère que les D-dimères pourraient être un biomarqueur potentiel pour la prédiction du déclin du DLCO chez les patients atteints de COVID-19. 34Parmi les patients présentant des anomalies de la fonction pulmonaire, 12 présentaient également des modifications radiologiques, y compris des signes de fibrose pulmonaire. 34 Après six mois de suivi, Huang et al. ont également trouvé une altération de la diffusion pulmonaire chez 34% (114/334) des patients précédemment hospitalisés pour COVID-19 aigu. 23

Tomodensitométrie thoracique

Des degrés variables d’anomalies radiologiques dans les tomodensitogrammes thoraciques de 71 % (39/55) des patients précédemment admis pour COVID-19 ont été découverts par une autre étude environ trois mois après leur sortie. 34 Un à trois segments pulmonaires étaient impliqués chez environ la moitié des patients présentant des anomalies radiologiques. Treize patients (23,64 %) présentaient une atteinte bilatérale et 15 (27,27 %) présentaient des signes de fibrose (épaississement interstitiel). 34 Des symptômes persistants ont également été signalés par 64 % des patients. 34 L’opacité du verre dépoli était le motif de tomodensitométrie à haute résolution le plus courant observé dans l’étude de Huang et al. à six mois après la sortie. 23

Anomalies neurologiques

La survenue d’encéphalites, de convulsions et d’autres affections telles que des sautes d’humeur majeures et des troubles cognitifs (brouillard cérébral) ont été signalées chez des patients jusqu’à deux à trois mois après le début de la maladie aiguë. 72 L’imagerie par résonance magnétique (imagerie du tenseur de diffusion et imagerie tridimensionnelle pondérée en T1) de patients précédemment hospitalisés atteints de COVID-19 a suggéré une perturbation possible de l’intégrité microstructurale et fonctionnelle du cerveau à trois mois de suivi, 26 signifiant ainsi le neuro -les capacités invasives du virus SARS-CoV-2 et le potentiel de conséquences à long terme de l’infection.

Complications rénales

Dans une étude, environ un tiers des patients précédemment hospitalisés, qui avaient une insuffisance rénale aiguë pendant la phase aiguë de COVID-19, n’ont pas complètement retrouvé la fonction rénale à la sortie ou au suivi post-hospitalisation. 73

Troubles endocriniens

Deux études ont rapporté un diabète nouvellement diagnostiqué chez des patients après une hospitalisation. 25 , 74 Cependant, des recherches supplémentaires sont nécessaires pour bien comprendre l’étiologie.

Comparaison avec d’autres coronavirus

Bien que les manifestations cliniques de COVID-19 soient distinctes, la persistance de la dyspnée et de la fatigue a été signalée de la même manière pour les infections à coronavirus du syndrome respiratoire aigu sévère (SRAS) et du syndrome respiratoire du Moyen-Orient (MERS). 22 , 24 Les résultats sur les anomalies pulmonaires chez les patients atteints de COVID long sont similaires à ceux d’une étude de patients qui se sont rétablis du SRAS, mais qui présentaient encore des résultats de tomodensitométrie anormaux et des anomalies DLCO après un an. 75 Une méta-analyse de 28 études de suivi a révélé que six mois après la sortie de l’hôpital, environ 25 % des patients hospitalisés pour le SRAS et le MERS avaient une fonction pulmonaire et une capacité d’exercice réduites. 22 , 76

À plus long terme, un SSPT, une dépression et une anxiété, ainsi qu’une qualité de vie réduite ont été observés un an après l’infection par le SRAS et le MERS. 76 De plus, une étude a révélé que jusqu’à 40 % des patients atteints du SRAS continuaient à souffrir de fatigue et de maladies psychiatriques pendant près de 3,5 ans après l’infection aiguë. 77 Ces résultats sont similaires à ceux d’une étude de suivi de six mois sur des patients précédemment hospitalisés atteints de COVID-19, qui a montré que les patients souffraient principalement de fatigue ou de faiblesse musculaire, de troubles du sommeil et d’anxiété ou de dépression. 23 Cela suggère qu’à plus long terme, les patients atteints de COVID de longue durée peuvent également connaître une trajectoire de maladie similaire à celle des patients atteints du SRAS ou du MERS. 22

Gestion du long COVID

Les options de traitement sont actuellement limitées en raison d’une compréhension insuffisante des mécanismes qui sous-tendent la longue COVID (Encadré 2). Bien qu’il existe encore des incertitudes quant à la prise en charge optimale des patients atteints de longue durée de COVID, un certain nombre de pays ont produit des directives cliniques pour aider les cliniciens. 11 , 78 Les patients peuvent nécessiter des soins multidisciplinaires impliquant la surveillance à long terme des symptômes en cours, afin d’identifier les complications potentielles de l’intervention clinique et le besoin de réadaptation physique, de santé mentale et de soutien des services sociaux ( Figure 1).

Aspects de la gestion

Réadaptation physique

Les patients atteints de COVID-19 aigu sévère qui sont pris en charge dans des unités de soins intensifs peuvent développer une faiblesse musculaire, un déconditionnement, des myopathies (maladie musculaire) et des neuropathies (atteinte ou dysfonctionnement des nerfs), qui sont les domaines physiques du syndrome post-réanimation. 79 Il est recommandé de commencer une rééducation appropriée pour prévenir ce syndrome dans les unités de soins intensifs dès que la sédation et la stabilité clinique le permettent. 79 La réadaptation pulmonaire peut aider à améliorer la respiration, la capacité d’exercice, la force musculaire, la qualité de vie et les résultats fonctionnels des patients. 80 Une mobilisation précoce contribuerait à améliorer les conditions fonctionnelles, cognitives et respiratoires de ces patients et pourrait raccourcir le séjour hospitalier. 79

Les patients non hospitalisés atteints de COVID long peuvent également nécessiter une rééducation physique, en particulier ceux souffrant de problèmes cardio-pulmonaires qui peuvent avoir besoin d’une rééducation importante, afin d’améliorer leur capacité à s’engager dans les activités de la vie quotidienne. Cependant, l’identification de ce groupe de patients peut être difficile en raison de la sous-reconnaissance et de la sous-investigation des symptômes. Il existe également un risque que les patients non hospitalisés atteints de COVID long avec des symptômes légers à modérés, qui sont susceptibles de représenter une proportion importante des patients atteints de COVID long, ne soient pas prioritaires pour les soins de suivi. 38

Prise en charge des comorbidités préexistantes

Une proportion importante de patients qui souffrent de COVID-19 aigu sévère ont des comorbidités sous-jacentes. Il est donc essentiel que ceux-ci soient pris en charge de manière adéquate afin d’éviter une détérioration clinique et la nécessité d’une réadmission chez ces patients. 81

Soutien en santé mentale

Les problèmes de santé psychologique et mentale tels que l’anxiété, la dépression, le SSPT et les idées suicidaires ont été discutés plus tôt comme certaines des conséquences à long terme d’un long COVID. 16 , 19 , 22 , 25 , 26 , 28 Il est nécessaire de s’assurer qu’un soutien approprié en santé mentale est disponible et accessible aux patients qui ont besoin de tels services. Les patients peuvent faire l’objet d’un dépistage dans le cadre de leurs soins de suivi et ceux identifiés comme nécessitant un soutien supplémentaire peuvent être orientés vers une prise en charge par un spécialiste. Cependant, il faut veiller à ne pas pathologiser les patients car les manifestations physiques de la COVID-19 peuvent fausser les réponses aux outils d’évaluation. 81

Soutien aux services sociaux

En raison de symptômes persistants, un nombre important de patients atteints de longue durée de COVID ne peuvent pas retourner au travail et peuvent nécessiter un soutien financier gouvernemental à long terme. 17 , 20 Certains patients peuvent être incapables de faire face à la vie quotidienne, surtout s’ils souffrent également d’un isolement social important et/ou d’une stigmatisation. 38 , 39 Ces groupes de patients bénéficieraient du soutien des services sociaux.

Stratégies pour faciliter la prise en charge des patients

Un rôle pour les résultats rapportés par les patients

Les résultats rapportés par les patients peuvent être utilisés pour les soins de suivi à long terme des patients atteints de COVID de longue durée afin de surveiller leurs symptômes et d’évaluer l’impact sur la qualité de vie. La collecte et l’utilisation des résultats rapportés par les patients peuvent aider à identifier les patients présentant des symptômes persistants, en particulier ceux qui n’ont pas été hospitalisés auparavant et qui ne bénéficient donc pas d’un suivi formel. Il existe des preuves que les résultats rapportés par les patients sont capables de détecter des événements indésirables chez les patients avant même les paramètres cliniques. 82 Les données sur les résultats rapportées par les patients peuvent alerter les cliniciens sur le développement de complications potentiellement mortelles chez les patients atteints de longue durée de COVID. 83Comme le montrent un certain nombre d’études discutées dans cette revue, les données sur les résultats rapportés par les patients peuvent également indiquer quels patients ont du mal à faire face physiquement et mentalement à leur état. 14 , 23 , 30 , 35 Dans le cadre de la recherche, ils peuvent également fournir des informations précieuses sur l’efficacité, la sécurité et la tolérabilité des interventions médicamenteuses. 84 L’initiative du Consortium international pour la mesure des résultats en matière de santé a élaboré un ensemble de résultats de base pour les études sur la COVID-19. 85 L’adoption de telles normes permettrait la collecte de données comparatives à l’échelle mondiale.

Exploiter les capacités des technologies numériques

Les technologies numériques sont actuellement utilisées pour la réponse de santé publique à la pandémie de COVID-19 par la surveillance de la population, l’identification des cas, la recherche des contacts et l’évaluation des interventions. 86 Une étude a révélé que jusqu’à 30,5 % (382) des patients précédemment hospitalisés nécessitaient un suivi auprès d’un médecin de premier recours. Parmi ceux-ci, 42 % se faisaient par visioconférence. 17 Dans la mesure du possible, la vidéoconférence pourrait être utilisée pour le suivi des patients atteints de longue durée de COVID. Cela réduirait également le besoin de contacts en personne et le risque de réinfection pendant que la pandémie se poursuit.

À l’avenir, une approche thérapeutique numérique pourrait être mise en œuvre où des interventions non pharmacologiques telles que des exercices de respiration de réadaptation peuvent être dispensées via une plateforme numérique en fonction des présentations des patients lorsque cela est possible. Cela peut garantir qu’un plus grand nombre de patients sont pris en charge qu’il ne serait possible avec des soins en personne seuls. Des services de réadaptation en personne dédiés à la COVID-19 nécessiteraient une quantité importante de ressources 87 et la téléréadaptation pourrait être potentiellement rentable à long terme.

Les progrès de la technologie numérique ont facilité la collecte de données électroniques sur les résultats déclarés par les patients. Les résultats électroniques rapportés par les patients et d’autres mesures telles que la température, la saturation en oxygène et la pression artérielle (mesurable par des appareils portables) peuvent être collectés à distance pour être partagés avec les équipes cliniques. Ces données peuvent également être analysées à l’aide de l’apprentissage automatique et de l’intelligence artificielle pour surveiller et identifier les patients à risque pour une intervention clinique précoce et une réadaptation. 88

Le large éventail de symptômes potentiels et de complications que les patients atteints de COVID de longue durée peuvent ressentir souligne la nécessité d’une compréhension plus approfondie de l’évolution clinique de la maladie. Il existe un besoin urgent de meilleurs modèles de soins plus intégrés pour soutenir et gérer les patients atteints de longue durée de COVID-19 afin d’améliorer les résultats cliniques. Des systèmes de santé résilients sont nécessaires pour garantir des réponses efficientes et efficaces aux futurs défis sanitaires.

Déclarations

Intérêts concurrents
OLA reçoit un financement du NIHR Birmingham Biomedical Research Center (BRC), du NIHR Applied Research Centre (ARC), des West Midlands de l’Université de Birmingham et de la University Hospitals Birmingham NHS Foundation, d’Innovate UK (qui fait partie de UK Research and Innovation), de Gilead Sciences Ltd , et Janssen Pharmaceuticals, Inc. OLA déclare des honoraires personnels de Gilead Sciences Ltd, GlaxoSmithKline (GSK) et Merck en dehors du travail soumis. SEH est financé par le NIHR ARC, West Midlands. SEH est directeur de la société Narra Consulting Ltd. et déclare des honoraires personnels de Cochlear Ltd. en dehors du travail soumis. Les opinions exprimées dans cet article sont celles des auteurs et pas nécessairement celles du NIHR ou du ministère de la Santé et des Affaires sociales. ES rapporte des subventions de Health Data Research UK, Wellcome Trust, Medical Research Council (MRC), British Lung Foundation, NIHR, Engineering and Physical Sciences Research Council (EPSRC) et Alpha 1 Foundation. MC est directeur du Birmingham Health Partners Centre for Regulatory Science and Innovation, directeur du Center for Patient Reported Outcomes Research et chercheur principal du National Institute for Health Research (NIHR). Elle reçoit des fonds du NIHR Birmingham Biomedical Research Centre, du NIHR Surgical Reconstruction and Microbiology Research Centre et du NIHR ARC West Midlands à l’Université de Birmingham et des hôpitaux universitaires Birmingham NHS Foundation Trust, Health Data Research UK, Innovate UK (part of UK Recherche et Innovation), Macmillan Cancer Support, UCB et GSK Pharma. MC a reçu des honoraires personnels d’Astellas, Takeda, Merck, Daiichi Sankyo, Glaukos, GSK et le Patient-Centered Outcomes Research Institute (PCORI) en dehors du travail soumis. Les opinions exprimées dans cet article sont celles des auteurs et pas nécessairement celles du NIHR ou du ministère de la Santé et des Affaires sociales. D’autres auteurs ne déclarent aucun intérêt concurrent.

Financement
Le ou les auteurs ont déclaré avoir reçu le soutien financier suivant pour la recherche, la paternité et/ou la publication de cet article : Ce travail a été soutenu conjointement par le National Institute for Health Research (NIHR) et UK Research and Innovation (UKRI) (numéro de subvention COV-LT-0013).

Approbation éthique
Sans objet.

Garant
OLA.

Tous les auteurs ont contribué à la conceptualisation du travail. OLA, SEH, SCR, CM et JSC ont examiné les articles. OLA et GT ont extrait les données. SEH conçu Figure 1. GT a effectué l’analyse des données et produit les figures 2– 5. OLA a rédigé le manuscrit initial. Tous les auteurs ont revu, révisé et approuvé le manuscrit final.


                        chiffre

Figure 4. Estimation groupée de la prévalence de la dyspnée chez les patients atteints de longue durée de COVID-19.


                        chiffre

Figure 5. Estimation groupée de la prévalence des douleurs musculaires chez les patients atteints de longue durée de COVID-19.

Impact à long terme Covid Long

On estime que 1,8 million de personnes au Royaume-Uni – 3% de la population – présentent des symptômes continus après COVID-19, connus sous le nom de « long COVID ».

Recherche sur le long COVID

À ce jour, plus de 50 millions de livres sterling de financement gouvernemental ont été investis dans de longs projets de recherche sur le COVID. La majeure partie de cette somme (39,2 millions de livres sterling) a été attribuée à 19 projets commandés dans le cadre de deux appels dédiés à de longues recherches sur le COVID.

Ces 19 études examinent les mécanismes sous-jacents du long COVID, enquêtent sur des symptômes tels que le « brouillard cérébral » et l’essoufflement, et testent des traitements possibles. Ils explorent si les services du NHS, tels que les longues cliniques COVID, répondent aux besoins des gens et examinent ce que les gens peuvent faire pour optimiser leur propre rétablissement.

Trois projets examinent qui contracte le COVID long et pourquoi, et deux étudient les causes biologiques de la maladie. Trois études se penchent sur le diagnostic, une étude immunologique portant également sur ce sujet. Quatre études évaluent des traitements et trois autres envisagent le rétablissement et la réadaptation. Une étude examine l’impact de la vaccination contre le COVID-19 sur la prévention du long COVID, et les deux dernières études étudient comment les services de santé peuvent traiter la maladie et les coûts sanitaires et économiques de la maladie.

La dernière revue thématique du NIHR Recherche sur le long COVID: relever un nouveau défi de santé mondiale résume l’état d’avancement actuel de ces 19 longues études sur le COVID et les résultats de la recherche à ce jour. L’examen examine les recherches effectuées jusqu’à présent sur :

  • Quelle est la cause biologique du long COVID?
  • Quelle est la durée du COVID ?
  • Quels sont les symptômes?
  • Les enfants vivent-ils une longue période de COVID ?
  • Comment les professionnels de la santé peuvent-ils diagnostiquer avec précision le long COVID ?
  • Les médicaments et les vaccins peuvent-ils aider les personnes atteintes d’un long COVID ?
  • Comment les services de santé peuvent-ils mieux soutenir les personnes atteintes de longue durée de COVID ?
  • Comment les professionnels de la santé peuvent-ils hiérarchiser les besoins des personnes atteintes de longue durée de COVID ?

Les chercheurs travaillent aussi vite que possible pour obtenir des résultats. Plusieurs études ont rapporté leurs premiers résultats en moins de six mois, les résultats aidant jusqu’à présent à améliorer la compréhension de la prévalence du long COVID et des personnes les plus susceptibles d’être affectées.

Par exemple, trois études du NIHR publiées à l’été 2021 ont montré que  jusqu’à une personne sur trois qui a eu le COVID-19 signale de longs symptômes de COVID et jusqu’à un enfant sur sept . Une autre étude du NIHR a révélé que les personnes qui présentaient au moins cinq symptômes du COVID-19 sont plus susceptibles de développer un long COVID .

Et cette année, jusqu’à présent, les chercheurs du NIHR ont trouvé  des anomalies pulmonaires chez les patients COVID longs souffrant d’essoufflement et ont travaillé avec des patients et des soignants pour développer de nouvelles définitions du COVID long et des moyens de mesurer les symptômes .

D’autres projets progressent à un rythme soutenu, les résultats étant publiés et mis en évidence par le NIHR dès qu’ils sont disponibles.

Nous continuerons à fournir des mises à jour sur l’évolution de la recherche tout au long de la durée de vie des projets, afin que les patients et les soignants puissent se tenir au courant de l’évolution de la recherche.