Accès gratuit
Numéro
Med Sci (Paris)
Volume 32, Novembre 2016
Les cahiers de myologie
Page(s) 22 - 26
Section Prise en charge
DOI https://doi.org/10.1051/medsci/201632s207
Publié en ligne 21 novembre 2016

© 2016 médecine/sciences – Inserm

Diagnostic et suivi d’une dystrophie musculaire de Duchenne

Le diagnostic de la dystrophie musculaire de Duchenne (DMD) repose aujourd’hui principalement sur la mise en évidence d’une diminution voire disparition totale de la dystrophine ainsi que sur la recherche de mutations sur le gène DMD. Des examens cliniques conventionnels (e.g., anamnèse, questionnaire, imagerie, biopsie, électromyogramme, dosage de CPK… ; Tableau I) complètent ces analyses. Cependant, certaines composantes ne disposent pas aujourd’hui de moyens d’évaluation assez fiables pour suivre le patient, et les échelles et les scores fournis donnent des informations non continues [1]. Ceci diminue leur sensibilité [3] et rend difficile l’évaluation et la prise de décision concernant ces activités fonctionnelles (comme la nature et les effets des troubles respiratoires au cours du sommeil [2], etc.).

Tableau I.

Principaux outils d’évaluation des atteintes de la DMD.

À ces limites liées à l’évaluation, s’ajoute la fréquence des consultations. Le suivi, habituellement semestriel chez l’enfant et annuel chez l’adulte, dépend principalement de l’état du patient, de la proximité d’un centre de soin et des habitudes du centre multidisciplinaire [3].

Les instantanés de l’état des sujets peuvent s’avérer insuffisants pour déceler à temps une dégénérescence fonctionnelle ou une aggravation des paramètres de santé souvent responsables de complications. Ceci est d’autant plus limitant que ces processus ne sont pas linéaires.

Les tests proposés dans cette étude, qui reposent sur des tests non-invasifs obtenus par le biais d’outils connectés, peuvent compléter ces informations cliniques, permettant ainsi de pallier à certaines de ces limites.

Outils connectés

Parmi les nombreux outils connectés existants on trouve des montres, des bracelets, des bagues, des petits boîtiers, des smartphones et divers éléments s’y intégrant. Ceux-ci présentent de nombreux avantages (Tableau IIA).

Tableau II.

Avantages et limites des objets connectés.

Leur omniprésence facilite la capture d’informations, permettant de mieux suivre et analyser notre mode de vie, de jour comme de nuit, où que nous nous trouvions. Ces objets sont aussi conçus pour communiquer les informations captées en temps réel au système médical, afin que ce dernier les analyse et le cas échéant intervienne. L’un des grands avantages de ces outils connectés est leur faible coût et leur simplicité d’utilisation. À titre d’exemple, les dispositifs actuels requis pour réaliser un ECG ou une échographie sont incomparablement plus onéreux qu’un smartphone, alors que ce dernier peut servir pour réaliser les deux types d’examens. Médecins et patients peuvent s’équiper de ces outils. Leur facilité d’utilisation permet à l’utilisateur de se concentrer sur l’interprétation des données plutôt que sur la manière de les collecter [4]. Recueillir autant de données pour un grand nombre d’individus garantit à la fois la qualité et la significativité des analyses et de leurs conclusions basées sur de larges cohortes. Nul doute que la nature de ces données fera à l’avenir partie de l’arsenal intégré dans le système de santé [6].

Il semble évident que ces nouvelles technologies pourraient être adaptées afin de permettre une analyse beaucoup plus fine de la mobilité du myopathe ainsi que d’autres indicateurs de sa santé. En outre, ils pourraient s’avérer utiles dans l’évaluation de l’efficacité thérapeutique lors d’essais cliniques.

L’ intérêt pour les personnes atteintes de myopathies

En utilisant des outils connectés, les patients atteints de DMD pourraient collecter, sur de longues périodes, et en (quasi-)continu, des données quantifiables, fiables et objectives relatives à leur état de santé et à l’histoire naturelle de leur maladie (Tableau IIA). Ils pourraient ainsi renforcer le lien avec leur médecin, les transformant en vrais partenaires de santé.

Ces données compléteraient de manière efficace les informations tirées des visites médicales périodiques.

Citons quelques exemples d’objets connectés pouvant s’intégrer à l’évaluation de la force musculaire, des atteintes fonctionnelles ainsi que des troubles respiratoires et cardiaques.

• La force musculaire

Un pas important a été réalisé au sein de l’Iinstitut de Myologie de la Pitié-Salpêtrière par la création d’outils comme MyoTool (Myogrip, MyoPinch) et la validation de la fiabilité des mesures obtenues sur les patients atteints de DMD et d’amyotrophie spinale (SMA) [5, 6]. Un dispositif connecté, la Grip Ball mesurant la force de préhension palmaire chez les personnes âgées [7], et estimant ainsi leur capacité à vivre de façon autonome, pourrait évaluer ces paramètres chez les patients DMD [8]. Des applications ciblant la maladie de Parkinson peuvent également s’avérer utiles, comme par exemple l’application évaluant le tapotement des doigts [9]. Certains jeux sur smartphone [10] dont le but est d’appuyer sur certains points éclairés selon un rythme défini ne nécessiteraient qu’une simple adaptation et pourraient analyser la vitesse de frappe et la précision du geste.

• Les atteintes fonctionnelles

Les informations sur le nombre et la cadence de pas réalisés dans la journée, la distance parcourue, le nombre d’étages montés et même sur la démarche peuvent renseigner sur la motricité. Un outil connecté développé par l’Institut de Myologie à Paris propose d’évaluer l’activité à distance des patients atteints de DMD [11] en détectant et analysant les mouvements liés à l’utilisation des chaises roulantes [12].

Une étude [13], réalisée chez les patients DMD, a permis d’évaluer la marche des sujets ainsi que leur fréquence cardiaque. Il a été démontré que l’application smartphone permettant l’enregistrement des données du test de 6 minutes de marche [14] produisait des résultats identiques à ceux récupérés lors de l’examen clinique [15], la seule différence étant bien sûr liée à l’observation du clinicien. Par conséquent, le patient pourrait, avec l’accord de son médecin, tester lui-même, à une fréquence convenue, le test de 6 minutes de marche [16] ou même le test assis/debout [17]. Les données obtenues suite à la réalisation régulière de ces tests permettraient de pallier les limites des tests actuels.

Différentes applications [18, 19] présentes sur smartphones servant aujourd’hui de goniomètre

[20] pourraient être utilisées chez les patients atteints de DMD pour évaluer les pertes d’amplitudes articulaires dues aux raideurs. Elles permettraient d’optimiser la prise en charge des patients dès diminution de ces amplitudes et d’empêcher le développement de déformations liées aux fibroses tissulaires [21], préservant leurs capacités de marche.

• Les atteintes respiratoires

Les outils analysant la fréquence respiratoire, la capacité vitale forcée et la saturation en O2 pourraient s’avérer utiles pour étudier les atteintes respiratoires.

De plus, les faiblesses musculaires des voies aériennes supérieures, inhérentes à la DMD, peuvent induire une augmentation des troubles respiratoires lors du sommeil, justifiant l’utilisation de capteurs polysomnographiques [22]. Evaluer le sommeil en continu avec ces outils pourrait optimiser l’introduction précoce d’assistants respiratoires pour prévenir d’éventuelles complications respiratoires.

• Les atteintes cardiaques

Les outils réalisant un ECG ou mesurant la fréquence cardiaque et la tension artérielle permettront d’évaluer d’éventuelles atteintes cardiaques. Ils ont déjà permis de dépister et de diagnostiquer certaines pathologies comme des arrêts cardiaques [23, 24] et des mécanismes de tachycardie supraventriculaire chez les enfants [25]. Ils peuvent anticiper ces mécanismes au moins aussi bien que le moniteur Holter utilisé à ce jour, mais à un moindre coût et avec davantage de confort.

L’ intérêt pour le clinicien

Au-delà de l’accélération du diagnostic ou de la prise en charge, ces outils permettront de diminuer ou d’optimiser les fréquences des visites du praticien ; le patient gérant lui-même ses examens de routine, s’il y a urgence le médecin sera averti et réagira en conséquence [26] (Figure 1). Un tel schéma laisserait plus de temps au médecin pour s’occuper des patients qui en ont le plus besoin, comme ceux souffrant de troubles aigus ou graves, leur permettant ainsi de passer plus de temps avec chaque patient, d’approfondir leur examen clinique ou leur apporter conseil.

thumbnail Figure 1.

La santé connectée : détecter pour réagir plus vite.

La quantité et la qualité des informations obtenues permettront de mieux comprendre l’histoire naturelle de la maladie et renseigneront le médecin sur les habitudes de ses patients ou sur d’éventuelles perturbations. De plus, les objets connectés pourraient révéler les impacts de la DMD sur d’autres paramètres de santé encore inconnus à ce jour. En conclusion, ces outils permettraient d’améliorer la compréhension de la maladie, de définir de nouveaux indicateurs de la détérioration ou de l’évolution de la maladie et de personnaliser les soins.

Malgré leurs multiples qualités et promesses, les outils et applications connectés de santé ont cependant certaines limites (Tableau IIB) dont la plupart restent encore à découvrir, même si des obstacles potentiels sur leur utilisation font déjà l’objet d’études [27, 28].

Conclusion

Les outils connectés tendent à devenir d’excellents moyens d’évaluation des pathologies en général. Dans le cas des maladies neuromusculaires, le suivi des paramètres de santé par des technologies non-invasives permettra de pallier certaines limites des moyens d’évaluation actuels. Les informations objectives et quantitatives recueillies sur de longues périodes pourront aider à la prise en charge du patient et à l’identification de complications, dès leur apparition, facilitant le travail des professionnels de santé.

Au-delà du suivi thérapeutique, ces objets connectés ne pourraient-ils pas être considérés, à moyen terme, comme des outils d’aide au diagnostic ?

En ce qui concerne la maladie de Duchenne, ils peuvent servir de dispositifs d’évaluation des critères observés lors des consultations médicales. Mesurer force musculaire, activités fonctionnelles, capacités respiratoires et cardiaques semble d’ores et déjà facilement réalisable par le patient lui-même.

Leur utilisation pourrait rapidement s’étendre à la majorité des pathologies neuromusculaires. Un vrai bénéfice dans le cadre de la prise en charge du patient.

Liens d’intérêt

Les auteurs déclarent n’avoir aucun lien d’intérêt concernant les données publiées dans cet article

Remerciements

Nous remercions les Professeurs B. Eymard, P. Portero et J.Y. Hogrel ainsi que J.P. Zana pour leurs soutien, encouragements et discussions.

Références

  1. Hellpap A. Rare disease apps need a boost: Innovenn [updated 21/01/2015. Available from: http://innovenn.com/rare-disease-apps-need-a-boost/ [Google Scholar]
  2. Sawnani H, Thampratankul L, Szczesniak RD, et al. Sleep disordered breathing in young boys with Duchenne muscular dystrophy. J Pediatr 2015 ; 166 : 640–645e1. [CrossRef] [PubMed] [Google Scholar]
  3. Urtizberea JA. Zoom sur… le diagnostic dans la dystrophie musculaire de Duchenne. In: Savoir et Comprendre. Évry : AFM-Téléthon, 2009. [Google Scholar]
  4. Gaglani SM, Topol EJ. iMedEd: the role of mobile health technologies in medical education. Acad Med 2014 ; 89 : 1207–1209. [CrossRef] [Google Scholar]
  5. Seferian AM, Moraux A, Canal A, et al. Upper limb evaluation and one-year follow up of non-ambulant patients with spinal muscular atrophy: an observational multicenter trial. PLoS One 2015 ; 10 : e0121799. [CrossRef] [PubMed] [Google Scholar]
  6. Hogrel JY, Wary C, Moraux A, et al. Longitudinal functional and NMR assessment of upper limbs in Duchenne muscular dystrophy. Neurology 2016 ; 86 : 1022–1030. [CrossRef] [PubMed] [Google Scholar]
  7. Hewson DJ, Li K, Frerejean A, et al. Domo-Grip: functional evaluation and rehabilitation using grip force. Conf Proc IEEE Eng Med Biol Soc 2010 ; 2010 : 1308–1311. [PubMed] [Google Scholar]
  8. Hogrel JY, Li K, Duchêne J, Hewson D. L’utilisation de la force de préhension palmaire pour le maintien en autonomie des personnes âgées. Institut de Myologie, GH Pitié-Salpêtrière, 75651 Paris Cedex 13. Institut Charles Delaunay, FRE CNRS 2848, Université de technologie de Troyes, 12 rue Marie Curie, BP 2060, 10010 Troyes Cedex. 2009. Available from: http://www.silvereco.fr/wp-content/sftag/Hogrel.pdf [Google Scholar]
  9. Apple ResearchKit: Apple. Available from: https://www.apple.com/researchkit/ [Google Scholar]
  10. Smule. Magic Piano: Apple. Updated 23/06/2015. Available from: https://itunes.apple.com/fr/app/magic-piano/id421254504?mt=8 [Google Scholar]
  11. Myologie Id. Synthèse d’activités 2013. Institut de Myologie. Available from: http://www.afm-telethon.fr/sites/default/files/ra-idm_bd1.pdf [Google Scholar]
  12. Le Moing AG, Moraux A, Dorvaux N, et al. TP9: development of a cloud computing for Holter movement analysis in neuromuscular diseases. Neuromuscul Disord 2014 ; 24 : 862–863. [CrossRef] [Google Scholar]
  13. McDonald CM, Henricson EK, Han JJ, et al. The 6-minute walk test as a new outcome measure in Duchenne muscular dystrophy. Muscle Nerve 2010 ; 41 : 500–510. [CrossRef] [PubMed] [Google Scholar]
  14. Capela NA, Lemaire ED, Baddour NC. A smartphone approach for the 2 and 6-minute walk test. Conf Proc IEEE Eng Med Biol Soc 2014 ; 2014 : 958–961. [PubMed] [Google Scholar]
  15. Capela NA, Lemaire ED, Baddour N. Novel algorithm for a smartphone-based 6- minute walk test application: algorithm, application development, and evaluation. J Neuroeng Rehabil 2015 ; 12 : 19. [CrossRef] [PubMed] [Google Scholar]
  16. Lerario A, Bonfiglio S, Sormani M, et al. Quantitative muscle strength assessment in duchenne muscular dystrophy: longitudinal study and correlation with functional measures. BMC Neurol 2012 ; 12 : 91. [CrossRef] [PubMed] [Google Scholar]
  17. Hukuda ME, Escorcio R, Fernandes LA, et al. Evaluation scale development, reliability for sitting and standing from the chair for Duchenne muscular dystrophy. J Mot Behav 2013 ; 45 : 117–126. [CrossRef] [PubMed] [Google Scholar]
  18. Ferriero G, Vercelli S, Sartorio F, et al. Reliability of a smartphone-based goniometer for knee joint goniometry. Int J Rehabil Res 2013 ; 36 : 146–151. [CrossRef] [PubMed] [Google Scholar]
  19. Mourcou Q, Fleury A, Diot B, et al. Mobile phone-based joint angle measurement for functional assessment and rehabilitation of proprioception. BioMed Research International 2015 ; article ID 328142 : 16 p. [Google Scholar]
  20. Jones A, Sealey R, Crowe M, Gordon S. Concurrent validity and reliability of the simple goniometer iPhone app compared with the universal goniometer. Physiother Theory Pract 2014 ; 30 : 512–516. [CrossRef] [PubMed] [Google Scholar]
  21. Bushby K, Finkel R, Birnkrant DJ, et al. Diagnosis and management of Duchenne muscular dystrophy, part 1: diagnosis, and pharmacological and psychosocial management. Lancet Neurol 2010 ; 9 : 77–93. [CrossRef] [PubMed] [Google Scholar]
  22. Nozoe KT, Moreira GA, Tolino JR, et al. The sleep characteristics in symptomatic patients with Duchenne muscular dystrophy. Sleep Breath 2015 ; 19 : 1051–1056. [CrossRef] [PubMed] [Google Scholar]
  23. Topol EJ. Transforming medicine via digital innovation. Sci Transl Med 2010 ; 2 : 16cm4. [PubMed] [Google Scholar]
  24. Muhlestein JB, Le V, Albert D, et al. Smartphone ECG for evaluation of STEMI: results of the ST LEUIS Pilot Study. J Electrocardiol 2015 ; 48 : 249–259. [CrossRef] [PubMed] [Google Scholar]
  25. Ferdman DJ, Liberman L, Silver ES. A smartphone application to diagnose the mechanism of pediatric supraventricular tachycardia. Pediatr Cardiol 2015 ; 36 : 1452–1457. [CrossRef] [PubMed] [Google Scholar]
  26. Steinhubl SR, Muse ED, Topol EJ. Can mobile health technologies transform health care?. JAMA 2013 ; 310 : 2395–2396. [CrossRef] [PubMed] [Google Scholar]
  27. Bishop TF, Press MJ, Mendelsohn JL, Casalino LP. Electronic communication improves access, but barriers to its widespread adoption remain. Health Aff (Millwood) 2013 ; 32 : 1361–1367. [CrossRef] [PubMed] [Google Scholar]
  28. Redelmeier DA, Detsky AS. Pitfalls with smartphones in medicine. J Gen Intern Med 2013 ; 28 : 1260–1263. [CrossRef] [PubMed] [Google Scholar]
  29. Conseil national de l’Ordre des médecins. Santé connectée. De la e-santé à la santé connectée. Le Livre Blanc du Conseil national de l’Ordre des médecins, janvier 2015. [Google Scholar]
  30. Servais L, Deconinck N, Moraux A, et al. Innovative methods to assess upper limb strength and function in non-ambulant Duchenne patients. Neuromuscul Disord 2013 ; 23 : 139–148. [CrossRef] [PubMed] [Google Scholar]

Liste des tableaux

Tableau I.

Principaux outils d’évaluation des atteintes de la DMD.

Tableau II.

Avantages et limites des objets connectés.

Liste des figures

thumbnail Figure 1.

La santé connectée : détecter pour réagir plus vite.

Dans le texte

Les statistiques affichées correspondent au cumul d'une part des vues des résumés de l'article et d'autre part des vues et téléchargements de l'article plein-texte (PDF, Full-HTML, ePub... selon les formats disponibles) sur la platefome Vision4Press.

Les statistiques sont disponibles avec un délai de 48 à 96 heures et sont mises à jour quotidiennement en semaine.

Le chargement des statistiques peut être long.