Deepsleep : Délétion rapide et précise des éveils pendant le sommeil à une résolution milliseconde par apprentissage profond

Contexte : Les éveils du sommeil sont des périodes transitoires d’éveil intercalées dans le sommeil. Un nombre excessif d’éveils du sommeil est associé à de nombreux effets néfastes, notamment la somnolence diurne et divers troubles du sommeil. Une annotation de haute qualité des enregistrements de polysomnographie est essentielle pour le diagnostic des troubles des éveils du sommeil. Actuellement, ces éveils sont principalement annotés manuellement par des experts humains en examinant des millions de points de données, ce qui exige une quantité considérable de temps et d’efforts.Méthodes : Nous avons utilisé les polysomnogrammes de 2 994 individus provenant de deux jeux de données indépendants : (i) le jeu de données du PhysioNet Challenge (n = 994) et (ii) le Sleep Heart Health Study (n = 2 000) pour l’entraînement du modèle (60 %), la validation (15 %) et le test (25 %). Nous avons développé une approche fondée sur un réseau de neurones convolutif profond, appelée DeepSleep, permettant de segmenter automatiquement les événements d’éveil du sommeil. Notre méthode a capturé les interactions à longue et courte portée entre les signaux physiologiques à plusieurs échelles temporelles, afin d’améliorer la détection des éveils du sommeil. Une stratégie novatrice d’augmentation des données, consistant à échanger aléatoirement des canaux physiologiques similaires, a été appliquée pour renforcer la précision de la prédiction.Résultats : Par rapport aux autres méthodes computationnelles utilisées en étude du sommeil, DeepSleep offre une segmentation précise (aire sous la courbe ROC de 0,93 et aire sous la courbe précision-rappel de 0,55), à haute résolution (5 millisecondes) et rapide (10 secondes par enregistrement de sommeil). Cette méthode a obtenu la première place dans la segmentation des éveils non apniques lors d’une évaluation sur un grand jeu de données indépendant (n = 989) dans le cadre du défi PhysioNet 2018. Nous avons constaté que DeepSleep fournit des segmentations plus détaillées que les annotateurs humains, en particulier dans les régions de frontière à faible confiance entre les événements d’éveil et non-éveil. Cela indique que les annotations in silico constituent un complément aux annotations humaines et pourraient améliorer le système binaire actuel de labels et les critères d’évaluation des éveils du sommeil.Interprétation : Le modèle de deep learning proposé atteint une performance de pointe dans la détection des éveils du sommeil. En introduisant la probabilité de confiance de l’annotation, ce modèle fournit des informations plus précises pour le diagnostic des troubles du sommeil et l’évaluation de la qualité du sommeil.