Diagnostiquer les troubles du sommeil plus facilement
Un nouveau modèle d’apprentissage en profondeur développé par des chercheurs de l’Université de Finlande orientale peut identifier les stades du sommeil aussi précisément qu’un médecin expérimenté. Cela ouvre de nouvelles voies pour le diagnostic et le traitement des troubles du sommeil, y compris l’apnée obstructive du sommeil.
Identifier les stades du sommeil
L’apnée obstructive du sommeil (AOS) est un trouble respiratoire nocturne qui pèse lourdement sur les systèmes de santé publics et les économies nationales. On estime que près d’un milliard de personnes dans le monde souffrent d’apnée obstructive du sommeil, et ce nombre devrait augmenter en raison du vieillissement de la population et de la prévalence accrue de l’obésité. Lorsqu’elle n’est pas traitée, l’AOS augmente par exemple le risque de maladies cardiovasculaires et de diabète.
L’identification des étapes du sommeil est donc essentielle pour diagnostiquer les troubles du sommeil, y compris l’apnée obstructive du sommeil. Traditionnellement, le sommeil est classé manuellement en cinq étapes, soit le réveil, le sommeil à mouvements oculaires rapides (REM), et trois phases du sommeil non REM. Cependant, cette notation manuelle des étapes du sommeil est longue, subjective et coûteuse.
Pour surmonter ces défis, des chercheurs de l’Université de Finlande orientale ont utilisé des données d’enregistrement polysomnographique d’individus en bonne santé et d’individus suspectés d’avoir l’AOS, pour développer un modèle précis d’apprentissage en profondeur pour la classification automatique des étapes du sommeil. De plus, ils voulaient savoir comment la gravité de l’AOS affecte la précision de la classification.
Une grande précision
Chez les individus en bonne santé, ce nouveau modèle a pu identifier les stades du sommeil avec une précision de 83,7 % lors de l’utilisation d’un seul canal d’électroencéphalographie frontale (EEG) et avec une précision de 83,9% lorsqu’il a été complété par un électrooculogramme (EOG). Chez les patients suspectés d’avoir l’AOS, le modèle a atteint des précisions de 82,9% (canal EEG unique) et 83,8% (canaux EEG et EOG).
La précision à canal unique variait de 84,5% pour les personnes sans AOS à 76,5% pour les patients souffrants d’AOS sévères. La précision obtenue par ce modèle équivalent à ce que des médecins expérimentés feraient avec une notation manuelle du sommeil. Cependant, ce modèle a l’avantage d’être systématique et de toujours suivre le même protocole, et d’effectuer la notation en quelques secondes.
Selon les chercheurs, ce modèle d’apprentissage en profondeur permet une mise en situation automatique du sommeil pour les patients pouvant souffrir d’AOS avec une grande précision.
Le groupe STAG (Sleep Technology and Analytics Group) avec cette technologie d’analyse du sommeil résout les problèmes de diagnostic du sommeil en utilisant une variété d’approches différentes. Les méthodes développées par le groupe sont basées sur des capteurs portables et non intrusifs, de meilleurs paramètres de diagnostic et des solutions informatiques modernes basées sur l’intelligence artificielle.
Ces méthodes améliorent l’évaluation de la gravité de l’AOS
Ces nouvelles méthodes développées par le groupe devraient améliorer l’évaluation de la gravité de l’AOS, promouvoir une planification de traitement individualisée et une prédiction plus fiable des symptômes diurnes et des comorbidités liés à l’AOS.
Cette recherche a été publiée dans IEEE Journal of Biomedical and Health Informatics.
Source : University of Eastern Finland
Crédit photo : Pixabay