La maladie de Parkinson est une pathologie neurodégénérative fréquente pour laquelle il n’existe pas de biomarqueurs établis pour le diagnostic des stades précoces et la prédiction de la progression de la maladie [1]. Récemment, plusieurs études ont exploré des biomarqueurs de neuro-imagerie avec des techniques d’apprentissage automatique [2]. Néanmoins, ces études sont sensibles à plusieurs sources de variabilité, y compris celles introduites par différentes méthodes d'analyse [3], [4], rendant essentiel l’évaluation de leur robustesse. Nous avons tenté de reproduire (mêmes données, même méthode) et de répliquer (données ou méthode différentes) les modèles décrits dans [5] pour prédire l'état actuel et la progression de la maladie de Parkinson. Nous avons utilisé les données de la base de données Parkinson's Progression Markers Initiative [6] (PPMI), pour reproduire la cohorte, les mesures de neuro-imagerie (fALFF-ReHo) et les modèles d'apprentissage automatique grâce aux informations disponibles dans l'article et le code. Des variations méthodologiques ont aussi été étudiées, notamment pour la sélection de la cohorte, le traitement d’image et les variables utilisées (Figure-1). Les performances obtenues sont supérieures au hasard pour tous nos modèles, mais restent différentes de celles rapportées dans l'étude originale (Figure-2). Les difficultés rencontrées lors de cette reproduction s'expliquent notamment par la complexité des études de neuro-imagerie, en particulier en milieu clinique. Certaines variations ont mené à des performances plus proches de celles de l’étude originale pour certaines prédictions, mais pour d'autres, celles-ci étaient beaucoup plus faibles, suggérant la faible taille de l’effet détecté et la faible puissance de ces modèles.