Dans le but d’appliquer la détection automatique des réveils afin de soutenir les laboratoires de sommeil, nous avons évalué une approche optimisée et de pointe, fondée sur des données issues de la pratique quotidienne dans notre laboratoire de sommeil hospitalier universitaire. Ainsi, un algorithme d’apprentissage automatique a été entraîné et évalué sur 3 423 polysomnographies provenant de patients souffrant de divers troubles du sommeil. L’architecture du modèle est une U-net acceptant des signaux échantillonnés à 50 Hz en entrée. Nous avons comparé cet algorithme à des modèles entraînés sur des jeux de données publiques, et évalué leur performance sur notre jeu de données cliniques, en particulier en ce qui concerne les effets des différents troubles du sommeil. Afin d’évaluer la pertinence clinique, nous avons conçu une métrique basée sur l’erreur de l’indice de réveil prédit. Nos modèles atteignent une aire sous la courbe précision-rappel (AUPRC) allant jusqu’à 0,83 et des scores F1 atteignant jusqu’à 0,81. Le modèle entraîné sur nos données cliniques ne présente ni biais lié à l’âge ni biais lié au sexe, et n’affiche aucun effet négatif significatif des troubles du sommeil sur sa performance par rapport au sommeil sain. En revanche, les modèles entraînés sur des jeux de données publiques montrent un effet négatif faible à modéré (mesuré à l’aide du d de Cohen) des troubles du sommeil sur leur performance. Par conséquent, nous concluons qu’une détection de pointe des réveils sur des données cliniques est réalisable grâce à notre architecture de modèle. Nos résultats soutiennent ainsi la recommandation générale selon laquelle il est préférable d’utiliser un jeu de données cliniques pour l’entraînement lorsque le modèle doit être appliqué à des données cliniques.