6Développement de nouveaux ”endpoints” cliniques à l'aide de biomarqueurs numériques basés sur la voix pour le suivi à distance, en vie réelle, de patients en recherche clinique: exemple de biomarqueurs vocaux pour le suivi du statut symptomatique de patients avec COVID-19

Introduction

Les opportunités offertes par les nouvelles technologies en santé permettent de repenser la conduite d’études cliniques, afin d'alléger le fardeau de participation des patients, diminuer le nombre de visites sur site, ainsi que d'améliorer le suivi à distance inter-visites. Pour cela, parmi toutes les technologies numériques émergentes, le champ des biomarqueurs vocaux est particulièrement prometteur [1]. Nous proposons ici une méthodologie d'identification et de validation de biomarqueurs vocaux à l'aide de Méthodes d'analyse du signal et d'intelligence artificielle (Fig. 1), que nous illustrons avec des Résultats dans le cadre du suivi de patients avec COVID-19 ou un COVID long pour le suivi du statut symptomatique.

Méthodes

Nous avons régulièrement collecté des enregistrements audio standardisés pendant les deux premières semaines de suivi en vie réelle de N=272 participants de l’étude de cohorte Predi-COVID [2], tous ayant eu la maladie COVID-19, confirmée par test PCR positif. Des biomarqueurs vocaux ont été entrainés pour prédire le statut symptomatique, défini à partir d'une liste quotidienne des symptômes liés à COVID-19 les plus fréquents. Les audios (lecture d'un texte standardisé de 25 secondes) ont été nettoyés et harmonisés, puis 6473 caractéristiques audio en ont été extraites, afin d'entrainer des modèles de machine learning, dont les performances ont été évaluées à l'aide de métriques habituelles pour la discrimination (AUC, accuracy, precision, recall, F1-score) et le score de Brier pour la calibration.

Résultats

Au total, 1775 enregistrements ont été analysés (6,5 enregistrements/participant en moyenne). Le modèle de Support Vector Machine a fourni les meilleurs performances (AUC=0.91, accuracy=0,85) avec une bonne calibration (Brier Score=0,11) (Fig. 2). Le biomarqueur vocal dérivé de ces modèles, à partir de la probabilité prédite d’être symptomatique, permettait de discriminer les personnes asymptomatiques des personnes symptomatiques avec une excellente précision (P-value pour le t-test< 0,001) [3].

Discussion

Nous avons démontré ici la faisabilité d'utiliser la voix pour définir de nouveaux « endpoints » cliniques pertinents pour le suivi à distance de patients en recherche clinique. Le pipeline de développement des biomarqueurs vocaux est désormais disponible, et déjà utilisé dans d'autres aires thérapeutiques (cancer, diabète, santé mentale, etc.) afin d'améliorer le suivi à distance des patients.

Déclaration de liens d'intérêt

Les auteurs n'ont pas de conflits d'intérêts.