Abstract

Introduction

L’analyse quantifiée de la marche (AQM) est génératrice d’une importante quantité de données, dont l’interprétation demeure complexe pour les cliniciens. Lorsque ces données sont croisées avec les données cliniques, l'examen physique, et la satisfaction des patients et des familles, la reproductibilité des décisions thérapeutiques devient incertaine. L'essor des sciences des données et de l'intelligence artificielle (IA) ouvre de nouvelles perspectives pour l'exploitation de ces informations.

Mots Clés

Paralysie Cérébrale, Analyse Quantifiée de la Marche, Chirurgie Multisites, Intelligence Artificielle

Corps du résumé / Matériels et méthodes

La première étape de notre étude consiste à collecter suffisamment de données AQM et neuro-orthopédiques pour permettre dans un second temps la composition de jeux de données permettant d’entraîner un modèle d’IA. Une application clinique a été développée pour la saisie et le prétraitement des données. La base de données a été conçue pour structurer les données de manière exploitable par des modèles d'apprentissage automatique. La qualité des jeux de données est assurée par des critères de saisie stricts visant à limiter les biais et à maximiser la pertinence clinique.

Résultats

357 AQM d’enfants suivis pour paralysie cérébrale ont été intégrées dans la base de données conçue pour accueillir les futurs jeux de données d’apprentissage d’un réseau de neurones tout en améliorant l’ergonomie des outils pour la prise en charge de la paralysie cérébrale chez l’enfant.

Une application utilisable en consultation, pour saisir et prétraiter les données cliniques a été développée. Parmi les 280 patients, 197 ont été opérés et 34 ont bénéficié d’une AQM post-opératoire.

Conclusion

Notre base de données constitue un outil innovant pour l’analyse de l’activité chirurgicale et le suivi longitudinal des enfants paralysés cérébraux. En intégrant les données de kinésithérapie et de l’AQM, elle prépare le terrain pour l’apprentissage futur d’un modèle d’IA, ouvrant la voie à une prise en charge plus prédictive et reproductible.

Bibliographie / Références

1.Chia K, Fischer I, Thomason P, Graham HK, Sangeux M. A Decision Support System to Facilitate Identification of Musculoskeletal Impairments and Propose Recommendations Using Gait Analysis in Children With Cerebral Palsy. Front Bioeng Biotechnol. 27 nov 2020

2.de Freitas Guardini KM, Kawamura CM, Lopes JAF, Fujino MH, Blumetti FC, de Morais Filho MC. Factors related to better outcomes after single-event multilevel surgery (SEMLS) in patients with cerebral palsy. Gait Posture. 1 mai 2021;86:260‑5.

3.Gunning E, Warmenhoven J, Harrison AJ, Bargary N. Functional Data Analysis in Biomechanics: A Concise Review of Core Techniques, Applications and Emerging Areas, Springer Nature Switzerland; 2024

4.Minhas SK, Sangeux M, Polak J, Carey M. The functional gait deviation index. J Appl Stat. juin 2025;0(0):1‑21.

5.Balgude SD, Gite S, Pradhan B, Lee CW. Artificial intelligence and machine learning approaches in cerebral palsy diagnosis, prognosis, and management: a comprehensive review. PeerJ Comput Sci. 27 nov 2024;10:e2505.