Les affections neurologiques se manifestent souvent par des troubles de la marche, fréquemment liés à la spasticité. Injections de toxine botulique de type A (BTX-A)traitent généralement les problèmes de démarche liés à la spasticité. Il reste crucial d'obtenir des résultats thérapeutiques optimaux avec un rapport bénéfice-risque favorable. Les améliorations cinématiques obtenues par ce traitement sont parfois très efficaces, mais elles restent pour l'instant difficilement prévisibles. L'objectif de cette thèse est d'utiliser des techniques d'apprentissage profond (DL) pour simuler l'impact du traitement BTX-A sur les paramètres de marche. Le simulateur vise à afficher le résultat de marche le plus probable, améliorant ainsi le processus de prise de décision lors du traitement par BTX-A. La base de données comprenait 43 adultes diagnostiqués avec diverses maladies, notamment la CP, la SEP, le TBI, la LME et l'accident vasculaire cérébral. Chaque participant avait subi au moins une analyse clinique de la marche (CGA) avant et après avoir reçu le traitement. Le laboratoire UGCEAM a obtenu et traité les données cinématiques de la marche. Diverses techniques de régression ont été utilisées, notamment LSTM, BiLSTM, le mécanisme d'attention, l'apprentissage d'ensemble et l'apprentissage multitâche (MTL). Les méthodes évaluées et leur efficacité ont été comparées entre elles et à des approches alternatives documentées dans la littérature. Cette étude est la première à simuler quantitativement l'impact du traitement au BTX-A sur la démarche d'adultes atteints de diverses maladies. Il explore un large éventail de combinaisons de traitements et différents modèles de démarche.