Le gel de la marche, plus communément appelé « freezing » (FoG pour freezing of gait), est un symptôme moteur invalidant de la maladie de Parkinson (MP), caractérisé par une incapacité soudaine et imprévisible à amorcer ou à poursuivre la marche vers l’avant malgré l’intention de marcher. La prévalence estimée du FoG varie de 37,9 % aux stades précoces à 64,6 % aux stades avancés de la MP, ce qui en fait un défi clinique majeur. La présence du freezing augmente considérablement le risque de chutes, de perte d’autonomie et de détérioration de la qualité de vie. Les objectifs scientifiques et technologiques dans ce domaine visent à mieux caractériser les signatures neurophysiologiques, biomécaniques et comportementales du freezing, à mettre au point des méthodes de détection fiables, et à concevoir des systèmes d’assistance capables de prédire ou d’atténuer les épisodes de FoG en temps réel. Ces approches présentent un fort potentiel d’innovation, notamment grâce à l’intégration d’enregistrements neurophysiologiques, de capteurs de mouvement portables et d’algorithmes d’intelligence artificielle. À terme, ces avancées pourraient déboucher sur des systèmes de détection et d’intervention en temps réel, ce qui constituerait une avancée significative et une innovation potentiellement disruptive dans la prise en charge du freezing dans la maladie de Parkinson. C’est pourquoi nous envisageons, dans un premier temps, de construire des graphes de connectivité effective à partir du recueil de données électroencéphalographiques (EEG) afin d’identifier le sens de propagation de l’information véhiculée entre les différentes régions du cerveau impliquées dans ce phénomène. Ces graphes de connectivité orientés nous permettront alors de caractériser et de comprendre le fonctionnement des réseaux neuronaux sollicités.
Nous cherchons notamment à déterminer s’il est possible de révéler des différences entre les graphes de connectivité établis chez les sujets sains (HC), les patients atteints de la maladie de Parkinson avec freezing (PD-FoG) ou sans freezing (PD-nFoG). Dans un second temps, il sera intéressant de pouvoir classer nos sujets suivant ces trois catégories — HC, PD-FoG et PD-nFoG — à l’aide des graphes générés comme biomarqueurs de la MP et du freezing par des méthodes d’apprentissage automatique. En synthèse, l’objectif de cette étude est de déterminer si ces graphes de connectivité effective sont pertinents pour prédire et détecter les épisodes de freezing chez les patients atteints de la maladie de Parkinson, dans le but de pouvoir ensuite employer des signaux externes (visuels ou auditifs) pour prévenir ou réduire la durée de ces épisodes. Une telle solution pourrait considérablement améliorer la vie quotidienne des patients parkinsoniens souffrant de freezing et potentiellement réduire le nombre de chutes chez ces personnes, améliorant ainsi leur qualité de vie.
