Combinaison des signaux pour la détection d'éveil sans EEG lors des tests de sommeil à domicile : une étude rétrospective

Introduction : La détection précise des événements d'éveil pendant le sommeil est essentielle pour évaluer la qualité du sommeil et diagnostiquer les troubles du sommeil, tels que le syndrome d'apnée/hypopnée du sommeil. Bien que les directives de l'American Academy of Sleep Medicine associent les événements d'éveil aux variations du signal de l'électroencéphalogramme (EEG), les EEG ne sont souvent pas enregistrés lors des tests de sommeil à domicile (HST) utilisant des dispositifs portables ou des applications pour smartphone. Objectifs : L'objectif principal de cette étude était d'explorer le potentiel de se fier alternativement à des combinaisons de signaux physiologiques facilement mesurables pendant les HST pour la détection des éveils lorsque les EEG ne sont pas enregistrés. Méthodes : Nous avons réalisé une étude rétrospective axée sur les données selon une approche d'analyse indépendante des dispositifs, où nous avons simulé un cadre à canaux limités en utilisant des données de polysomnographie et utilisé l'apprentissage profond pour automatiser la tâche de détection. Au cours de l'analyse, nous avons testé de multiples combinaisons de signaux pour évaluer leur efficacité potentielle. Nous avons formé et évalué le modèle sur le jeu de données de l'étude multiethnique de l'athérosclérose. Résultats : Les résultats ont montré que la combinaison de plusieurs signaux améliorait considérablement les performances par rapport aux modèles à signal d'entrée unique. Notamment, la combinaison de l'effort thoracique, de la fréquence cardiaque et d'un signal indicateur de veille/sommeil a atteint des performances compétitives par rapport au modèle DeepCAD de pointe utilisant un électrocardiogramme comme entrée avec une précision moyenne de 61,59 % et un rappel moyen de 56,46 % sur les enregistrements de test. Conclusions : Cette étude a démontré le potentiel de la combinaison de signaux HST faciles à enregistrer pour mieux caractériser les marqueurs autonomes d'éveil. Elle offre des perspectives précieuses aux concepteurs de dispositifs HST sur les signaux qui améliorent la détection d'éveil sans EEG.