Explorer les attributs des cris de bébés à des fins de diagnostic

Selon les rapports de l’UNICEF, environ un tiers des décès des moins de 25 ans surviennent au cours du premier mois de la vie, une étape appelée période néonatale. Le taux de mortalité des nouveau-nés est tragique (2,3 millions de décès en 2021), mais la situation est plus dramatique encore quand on sait que ces chiffres ne sont pas près de diminuer. D’ici 2030, 63 pays ne parviendront pas à atteindre les objectifs de réduction de la mortalité néonatale définis par l’UNICEF [1].

Pourquoi les bébés pleurent

S’occuper de la santé des nouveau-nés est une tâche délicate, car ils ne peuvent pas décrire leurs besoins et leurs pleurs ne reflètent pas nécessairement leur état. La grande question est la suivante : « Les pleurs sont-ils plus importants qu’il n’y paraît ? » Pour y répondre, il faut d’abord savoir pourquoi les nouveau-nés pleurent et comment les pleurs sont provoqués. Les nouveau-nés pleurent pour des raisons évidentes : faim, couche mouillée, etc. Ce sont des tentatives de communication. Les raisons des pleurs peuvent se diviser en quatre catégories principales : éveil sensorimoteur [2], développement du système nerveux central [3], communication et libération d’un trop plein d’énergie [4]. Ainsi, les pleurs ne sont pas tous volontaires ni maîtrisés par le nouveau-né. Le cri par lui-même résulte d’une collaboration entre les organes comme le système respiratoire, les systèmes nerveux central et périphérique, et plusieurs muscles et membres comme les lèvres et la langue. Si l’un de ces organes ne fonctionne pas correctement, il est logique de s’attendre à ce que le cri qui en résulte soit différent d’un cri « sain » normal [5]. Ce fait laisse entrevoir la possibilité de traduire les cris des nouveau-nés à des fins de diagnostic.

Associer les cris aux pathologies

Depuis 1878, les chercheurs tentent d’associer les cris des nouveau-nés à des indices de pathologies [6]. Afin de mieux comprendre la structure acoustique des pleurs, des spectrogrammes ont été analysés à partir de différents signaux de pleurs, comme le montre la figure 1. Les chercheurs ont observé que les signaux de pleurs des nouveau-nés en bonne santé suivent un modèle cohérent, alors que les signaux des nouveau-nés souffrant d’une pathologie manquent de constance. Et plus important encore, il existe une différence importante dans les structures acoustiques des pathologies.

Figure 1. Spectrogrammes de signaux de pleurs pathologiques et sains chez les nouveau-nés.

L’analyse spectrographique a révélé de nombreux indices cachés permettant d’attribuer la structure acoustique du signal de pleurs à des pathologies. Cependant, elle ne permet pas d’explorer tous les aspects des signaux de pleurs, et devient imprécise lorsqu’on tente d’étudier un plus grand nombre de patients. Les chercheurs ont donc mis au point une approche automatisée appelée NCDS (Newborn Cry Diagnostic Systems) [7]. La conception des NCDS découle principalement des progrès en apprentissage machine et en apprentissage profond. En outre, comparés à d’autres applications de traitement audio comme le traitement de la parole, les NCDS offrent de grandes possibilités d’amélioration. Les NCDS, comme tous les modes de traitement audio, comportent trois éléments principaux : prétraitement, extraction de caractéristiques et classification [8].

De plus, certains aspects concernant les pathologies restent inexplorés. Par exemple, la plupart des conceptions de NCDS à ce jour sont uniquement centrées sur la séparation et l’identification d’un certain groupe de pathologies par rapport à un groupe sain. Aucune recherche antérieure n’a tenté de comparer deux groupes de pathologies ou d’identifier une pathologie particulière parmi d’autres groupes de pathologies. En outre, parmi les pathologies étudiées jusqu’à présent, la septicémie n’a toujours pas été identifiée alors qu’elle est à l’origine de près de 15 % des mortalités néonatales [9]. La septicémie est si fatale que le traitement peut être mis en place même en l’absence de données cliniques corroborantes [10], mais elle reste dangereuse, car elle passe trop facilement inaperçue.

Des cris qui deviennent des biomarqueurs

Notre base de données présente des conditions réelles : elle comprend des pleurs d’une grande diversité (race, origine, raison de pleurer) et inclut plus de 30 pathologies. L’outil d’enregistrement est simple et accessible, même pour les régions à faibles revenus ; les pleurs ont été enregistrés sans conditions prédéfinies et en présence de bruit. Ainsi, toute étude réalisée avec cet ensemble de données nous rapproche de l’élaboration d’un cadre pratique.

Dans cette recherche, nous avons comblé les lacunes mentionnées précédemment par de nouvelles approches d’apprentissage machine et d’apprentissage profond. En outre, nous avons mis en évidence le fait que les cris des nouveau-nés sont de puissants biomarqueurs permettant d’identifier des pathologies qui n’avaient pas été étudiées jusqu’à maintenant. Nos concepts de NCDS sont simples et peu coûteux, mais très efficaces.

Notre méthodologie est centrée sur l’amélioration de l’espace des caractéristiques grâce à de nouvelles méthodes d’extraction, de sélection et de fusion des caractéristiques. Nous avons considéré le signal de cris comme un phénomène de prédiscours comportant des éléments musicaux. Puis, nous avons affiné les classifications pour qu’elles s’adaptent à notre espace de caractéristiques et nous avons fusionné leurs décisions. Nos contributions sont multiples : cibler la septicémie comme l’une des principales causes de mortalité chez les nouveau-nés ; distinguer entre deux pathologies étroitement liées ; identifier une certaine pathologie à partir d’un ensemble de pathologies ; et développer une alerte précoce pour les soignants afin de marquer un nouveau-né comme étant en mauvaise santé, indépendamment du groupe de pathologies, de la race ou de la raison des pleurs.

Nos études ont démontré que les différences dans les structures acoustiques des pleurs du nouveau-né dépendent de la pathologie. En outre, nous avons démontré qu’il était possible de faire la distinction entre deux ou plusieurs pathologies grâce à un cadre automatisé. Enfin, nous pensons que notre travail peut contribuer à réduire le taux de mortalité dans les régions à faibles revenus, là où il manque d’experts et d’équipements médicaux. En effet, notre approche est non invasive et ne nécessite pas de technologie coûteuse. Notre concept peut servir d’outil rapide et complémentaire pour les nouveau-nés candidats présentant un risque de santé, sans qu’il soit nécessaire de procéder à des tests cliniques. Ainsi les soignants pourront être plus vigilants et fournir un traitement adéquat aux nouveau-nés.

Complément d’information

Pour plus d’informations sur cette recherche, veuillez lire l’article suivant :

Khalilzad Z, Tadj C. Using CCA-Fused Cepstral Features in a Deep Learning-Based Cry Diagnostic System for Detecting an Ensemble of Pathologies in Newborns. Diagnostics (Basel). 2023 Feb 24;13(5):879. doi: 10.3390/diagnostics13050879. PMID : 36900023 ; PMCID : PMC10000938.