Machine learning to predict impulse control disorders in Parkinson's disease
Apprentissage automatique pour la prédiction des troubles du contrôle de l'impulsivité dans la maladie de Parkinson
Résumé
Impulse control disorders are a class of psychiatric disorders characterized by impulsivity. These disorders are common during the course of Parkinson's disease, decrease the quality of life of subjects, and increase caregiver burden. Being able to predict which individuals are at higher risk of developing these disorders and when is of high importance.
The objective of this thesis is to study impulse control disorders in Parkinson's disease from the statistical and machine learning points of view, and can be divided into two parts. The first part consists in investigating the predictive performance of the altogether factors associated with these disorders in the literature. The second part consists in studying the association and the usefulness of other factors, in particular genetic data, to improve the predictive performance.
In the first chapter, we present Parkinson's disease and impulse control disorders, review the literature on impulse control disorders in Parkinson's disease, introduce the main concepts of machine learning, and describe the databases from which we obtained data and the software used to analyze these data. In the second chapter, we investigate the predictive performance of several machine learning algorithms using features that have been associated with impulse control disorders in Parkinson's disease. In the third chapter, we investigate the association between impulse control disorders in Parkinson's disease and genetic risk scores for a broad range of phenotypes. In the last chapter, we investigate different approaches to integrate static data in recurrent neural networks and evaluate their predictive performance in the use case of predicting impulse control disorders in Parkinson's disease, with genetic data used as static data.
Across these works, we highlight the importance of using machine learning algorithms, cross-validation and replication cohorts to unbiasedly estimate the predictive power of known and putative risk factors of impulse control disorders in Parkinson's disease.
Les troubles du contrôle de l'impulsivité sont une classe de troubles psychiatriques caractérisés par des difficultés dans la maîtrise de ses émotions, pensées et comportements. Ces troubles sont courants dans la maladie de Parkinson et associés à une baisse de la qualité de vie des patients ainsi qu'à une augmentation de la charge des aidants. Pouvoir prédire quels sont les sujets les plus à risque de développer ces troubles et quand
ces troubles apparaissent est de grande importance.
L'objectif de cette thèse est d'étudier les troubles du contrôle de l'impulsivité dans la maladie de Parkinson à partir des approches statistique et de l’apprentissage automatique, et se divise en deux parties. La première partie consiste à analyser la performance prédictive de l'ensemble des facteurs associés à ces troubles dans la littérature. La seconde partie consiste à étudier l'association et l'utilité d’autres facteurs, en particulier des données génétiques, pour améliorer la performance prédictive.
Dans un premier chapitre, nous présentons la maladie de Parkinson et les troubles du contrôle de l'impulsivité, effectuons une revue de la littérature sur les troubles du contrôle de l’impulsivité dans la maladie de Parkinson, introduisons les principaux concepts de l’apprentissage automatique et présentons les bases de données sur lesquelles nous avons travaillé et les logiciels utilisés pour analyser ces données. Dans un deuxième chapitre, nous étudions la performance prédictive de plusieurs algorithmes d’apprentissage automatique en utilisant comme variables d’entrée les facteurs associés aux troubles du contrôle de l’impulsivité dans la maladie de Parkinson. Dans un troisième chapitre, nous étudions l'association entre les troubles du contrôle de l’impulsivité dans la maladie de Parkinson et des scores de risque génétique pour un large panel de phénotypes. Dans un dernier chapitre, nous étudions différentes approches d'intégrer des données statiques dans des réseaux de neurones récurrents et évaluons leur performance dans le cas de la prédiction des troubles du contrôle de l'impulsivité dans la maladie de Parkinson, en utilisant des données génétiques pour les données statiques.
À travers ces travaux, nous mettons en avant l'importance d'utiliser des algorithmes d'apprentissage automatique, des méthodes de validation croisée et des cohortes de réplication pour évaluer la puissance prédictive de facteurs de risque connus ou supposés des troubles du contrôle de l'impulsivité dans la maladie de Parkinson.
Origine : Fichiers produits par l'(les) auteur(s)