Fibromyalgie : vers un diagnostic par électroencéphalogramme (EEG) ?

Contexte

La fibromyalgie est une pathologie caractérisée par des douleurs diffuses, une fatigue invalidante et, fréquemment, des troubles cognitifs. Son diagnostic repose sur des critères cliniques standardisés, notamment le Widespread Pain Index (WPI), qui évalue l’étendue des zones douloureuses, et le Symptom Severity Score (SS), qui apprécie la sévérité des symptômes associés.

À ce jour, aucun examen complémentaire ne permet, à lui seul, de poser le diagnostic. L’identification d’un biomarqueur objectif constitue ainsi l’un des enjeux majeurs actuels.

Cette absence contribue en effet à une certaine incertitude diagnostique et alimente encore des controverses quant à la reconnaissance de cette pathologie, dont l’existence est néanmoins étayée par un ensemble convergent de données cliniques et physiopathologiques.

Dans ce contexte, les avancées en neuro-imagerie apportent des éléments de compréhension importants. Les études d’imagerie par résonance magnétique fonctionnelle (IRMf) mettent en évidence des anomalies du traitement central de la douleur, notamment une hyperactivité du cortex somatosensoriel, impliqué dans l’intégration consciente des informations sensitives, en particulier nociceptives.

Par ailleurs, une altération des systèmes de modulation de la douleur est fréquemment observée, caractérisée par une diminution de l’efficacité des contrôles inhibiteurs descendants. Ces réseaux, impliquant notamment des structures du tronc cérébral, jouent un rôle central dans la régulation et l’inhibition des messages douloureux.

Dans cette perspective, l’électroencéphalogramme (EEG) constitue une piste d’exploration prometteuse. Cet examen non invasif, fondé sur l’enregistrement de l’activité électrique cérébrale à l’aide d’électrodes placées à la surface du cuir chevelu, permet d’analyser la connectivité fonctionnelle des réseaux neuronaux, notamment à travers l’étude des corrélations temporelles entre différentes régions cérébrales.

Méthodes

Il s’agit d’une étude dite observationnelle et transversale. Cela signifie que les chercheurs ont analysé un groupe de personnes à un moment précis, sans les suivre dans le temps, et sans modifier leur prise en charge ou leur traitement.

Les données utilisées proviennent d’enregistrements d’électroencéphalogramme (EEG), réalisés dans deux centres : à Anvers (Belgique) et à Otago (Nouvelle-Zélande).

Pour poser le diagnostic de fibromyalgie, les chercheurs se sont appuyés sur des critères médicaux reconnus (ACR 1990), basés sur la présence de douleurs diffuses et d’une sensibilité accrue à la pression sur certains points du corps (au moins 11 sur 18 points dits « sensibles »).

Certaines personnes n’étaient pas incluses si leurs symptômes pouvaient être expliqués par une autre maladie (comme la polyarthrite rhumatoïde, le lupus ou certaines maladies articulaires).

Au total, plusieurs centaines de personnes ont été incluses :

à Anvers : 184 personnes avec fibromyalgie et 279 personnes sans fibromyalgie (groupe contrôle)
à Otago : 24 femmes avec fibromyalgie et 24 femmes sans fibromyalgie

Les EEG ont été effectués dans des conditions standardisées :

dans une pièce normalement éclairée
les yeux fermés
en demandant de limiter les mouvements (notamment des yeux) pour éviter les perturbations du signal

Les premières secondes d’enregistrement ont été supprimées, car le signal est souvent instable au début.

Les enregistrements EEG ont ensuite été découpés en plusieurs segments de 30 secondes, afin de mieux analyser les signaux et d’éviter certains biais.

Les chercheurs ont étudié la manière dont différentes zones du cerveau communiquent entre elles (connectivités), en analysant les relations entre les signaux électriques enregistrés par différentes électrodes.

Enfin, ils ont utilisé un programme d’intelligence artificielle (appelé SVM) pour apprendre à distinguer les personnes atteintes de fibromyalgie des personnes non atteintes, à partir de ces données cérébrales.

Résultats

Parmi les 855 paramètres de connectivité analysés (correspondant à l’ensemble des combinaisons possibles entre les différentes électrodes EEG), les chercheurs ont identifié plusieurs régions d’intérêt.

Au final, un ensemble de 5 paramètres s’est révélé particulièrement pertinent. Ce modèle atteint une précision moyenne de 98,2 %, avec une très faible variabilité des résultats.

Autrement dit, à partir de ces données cérébrales, le modèle est capable de distinguer avec une très grande précision les personnes atteintes de fibromyalgie des personnes non atteintes.

Discussion

Certains paramètres de l’électroencéphalogramme (EEG), notamment ceux impliquant les bandes de fréquence gamma, apparaissent comme potentiellement discriminants pour différencier les personnes atteintes de fibromyalgie des sujets contrôles.

Cependant, plusieurs limites méthodologiques doivent être soulignées.

Tout d’abord, le groupe contrôle était constitué exclusivement de sujets sains, et non de personnes présentant des pathologies aux tableaux cliniques comparables. Or, en pratique clinique, l’enjeu diagnostique principal ne réside pas dans la distinction entre sujets sains et personnes symptomatiques, mais bien dans la différenciation entre la fibromyalgie et d’autres affections pouvant présenter des manifestations similaires, telles que le syndrome d’Ehlers-Danlos, les spondyloarthrites ou certaines formes de douleurs chroniques complexes. L’absence de groupes comparateurs pertinents limite ainsi la portée clinique et la transposabilité des résultats.

Par ailleurs, les modèles mathématiques utilisés pour le traitement des données exposent à un risque de surapprentissage (overfitting). Ce phénomène correspond à une situation dans laquelle un modèle s’ajuste excessivement aux données d’entraînement, capturant non seulement les signaux pertinents mais également le bruit aléatoire. Il peut en résulter des associations artificielles et une performance apparente élevée, mais peu reproductible.

Dans ce contexte, des études complémentaires apparaissent nécessaires. Celles-ci devraient inclure des populations présentant des diagnostics différentiels pertinents, mais également adopter des approches prospectives, permettant d’évaluer la robustesse et la validité externe de ces marqueurs dans des conditions proches de la pratique clinique réelle.