AIOSA : Une approche pour l’identification automatique des épisodes d’apnée obstructive du sommeil basée sur le deep learning

Le syndrome d’apnée obstructive du sommeil (OSAS) est le trouble respiratoire lié au sommeil le plus fréquent. Il résulte d’une résistance accrue des voies aériennes supérieures pendant le sommeil, entraînant des épisodes d’interruption partielle ou complète du flux d’air. La détection et le traitement de l’OSAS sont particulièrement cruciaux chez les patients ayant subi un accident vasculaire cérébral (AVC), car la présence d’un OSAS sévère est associée à une mortalité plus élevée, à des déficits neurologiques plus importants, à un pronostic fonctionnel plus défavorable après réhabilitation, ainsi qu’à une plus grande probabilité d’hypertension artérielle mal contrôlée. Le test de référence pour le diagnostic de l’OSAS est la polysomnographie (PSG). Toutefois, réaliser une PSG dans un environnement électriquement hostile comme une unité de soins neurologiques, sur des patients neurologiquement atteints, constitue une tâche difficile ; de plus, le nombre d’AVC quotidiens dépasse largement la disponibilité des appareils de polysomnographie et du personnel médical spécialisé. Il est donc souhaitable de disposer d’un système simple et automatisé permettant de détecter l’OSAS chez les patients en phase aiguë d’AVC, en s’appuyant sur des signes vitaux enregistrés de manière courante. La majorité des travaux réalisés jusqu’à présent portent sur des données collectées dans des conditions idéales et sur des patients fortement sélectionnés, ce qui limite fortement leur applicabilité dans des contextes réels où elles seraient véritablement utiles. Dans cet article, nous proposons une architecture de deep learning convolutif capable de réduire la résolution temporelle des données brutes de forme d’onde, telles que les signaux physiologiques, tout en extrayant des caractéristiques clés exploitables pour un traitement ultérieur. Nous exploitons des modèles fondés sur cette architecture afin de détecter les événements d’OSAS dans des enregistrements provenant d’une unité de soins d’AVC, issus du suivi de patients non sélectionnés. Contrairement aux approches existantes, les annotations sont effectuées avec une granularité d’une seconde, permettant aux médecins d’interpréter plus précisément les résultats du modèle. Les experts du domaine jugent les résultats satisfaisants. En outre, sur la base d’un benchmark largement utilisé, nous démontrons que l’approche proposée surpasse les solutions actuelles de l’état de l’art.