Les troubles affectifs sont fréquents dans la dégénérescence frontotemporale comportementale (DFTc), les troubles psychiatriques (TP) et la maladie d’Alzheimer (MA), requérant d’être objectivés pour une caractérisation différentielle/transdiagnostique.

L’objectif est de déterminer si des analyses du langage naturel basées sur l’intelligence artificielle (IA) peuvent fournir des marqueurs fiables pour le diagnostic différentiel.

Le discours narratif (GREMOTs) de 74 patients suivis au CMRR de Lille (DFTc = 31, MA = 28, TP = 15) et 39 témoins a été analysé à l’aide d’un modèle ajusté d’IA de reconnaissance des émotions vocales estimant la valence, l’arousal, la dominance et l’entropie. Les différences entre les groupes ont été évaluées par ANCOVA, l’utilité diagnostique par régression logistique et les corrélats neuroanatomiques par morphométrie basée sur les voxels.

Des profils affectifs spécifiques à chaque groupe ont émergé. Dans l’ensemble, les patients avec un TP présentaient une valence plus faible. Les patients avec une DFTc et une MA démontraient un arousal réduit et une dominance élevée. Les dimensions affectives prédisaient la DFTc avec une précision de 80,4 % tout en étant liés aux réseaux fronto-insulaires et temporaux. L’entropie a été identifiée comme un marqueur transdiagnostique.

L’analyse du langage naturel par l’IA met en évidence des altérations de la prosodie expressive, propre à certains troubles mais aussi transdiagnostique. L’entropie s’impose comme un marqueur particulièrement fiable de la dérégulation affective, en accord avec les modèles dimensionnels et transdiagnostiques actuels.

Une tâche linguistique brève et écologique, avec l’IA, fournit des biomarqueurs objectifs et évolutifs pour le diagnostic différentiel de la DFTc, le suivi de la maladie et la santé numérique.