L'objet de cet article est la récente présentation d'une nouvelle application de smartphone novatrice capable de reconnaître avec précision les signes physiques d'un AVC chez les patients, grâce à une technologie avancée d'apprentissage automatique. Cette percée a été annoncée et discutée lors de la 20e Réunion annuelle de la Société de NeuroIntervention chirurgicale (SNIS). Cette application représente une avancée significative dans le domaine de la technologie de santé mobile, fournissant un outil révolutionnaire qui peut permettre aux gens d'identifier et d'évaluer les signes potentiels d'un AVC le plus rapidement possible, augmentant les chances d'une intervention rapide et efficace.

Pour développer cet outil puissant, une étude intitulée 'Algorithmes d'apprentissage automatique activés par smartphone pour la détection autonome des AVC' a été menée. Les chercheurs de l'École de médecine David Geffen de UCLA ont collaboré étroitement avec de nombreuses institutions médicales situées en Bulgarie. Ils ont recueilli des données de 240 patients traités pour des AVC dans quatre centres d'AVC métropolitains différents. Les données ont été recueillies dans les 72 heures suivant le début des symptômes des patients.

La méthode principale utilisée par ces chercheurs impliquait de prendre des vidéos des patients via des smartphones et de réaliser des tests sur la force des bras. L'objectif de ces tests était de reconnaître les signes clés d'un AVC tels que l'asymétrie du visage, les changements de parole et la faiblesse des bras. Pour l'asymétrie du visage, les chercheurs ont utilisé l'apprentissage automatique pour analyser 68 points de repère distincts sur le visage.

Pour évaluer la faiblesse des bras, ils ont utilisé les données de l'accéléromètre 3D intégré du smartphone. De plus, ils ont également utilisé le gyroscope et le magnétomètre du téléphone, profitant ainsi pleinement des capacités internes standard de l'appareil. Pour détecter les changements dans les schémas de parole, ils ont utilisé les coefficients cepstraux de fréquence de mélodie (MFCC) – une méthode courante de reconnaissance du son qui convertit les ondes sonores en images. Cela leur a permis de faire des comparaisons utiles entre les schémas de parole normaux et brouillés.

La prochaine étape était de tester l'application. Cela a été fait en comparant les résultats de l'application avec les rapports des neurologistes et les données de scan cérébral des patients. Ces tests rigoureux ont conclu que l'application présentait à la fois une sensibilité et une spécificité suffisantes pour diagnostiquer un AVC avec précision dans la grande majorité des cas. Le Dr Radoslav Raychev, neurologue vasculaire et neurointerventionnel de l'École de médecine David Geffen de UCLA, a exprimé son enthousiasme quant au potentiel de cette application innovante et à l'aide immense que la technologie émergente de l'apprentissage automatique peut apporter pour évaluer rapidement et avec précision les symptômes afin de permettre la survie à un AVC et de retrouver l'indépendance.