Une plateforme d'intelligence artificielle pour stratifier le risque de troubles du sommeil chez les étudiants universitaires après analyse de la santé psychologique, du mode de vie et du sport : une étude multicentrique validée externement

Contexte : Les problèmes de sommeil sont répandus parmi les étudiants universitaires, mais il existe un manque de modèles efficaces pour évaluer le risque de troubles du sommeil. L'intelligence artificielle (IA) offre une opportunité de développer une plateforme pour évaluer le risque. Cette étude vise à développer et valider une plateforme d'IA pour stratifier le risque de connaître des troubles du sommeil chez les étudiants universitaires. Méthodes : Un total de 2243 étudiants universitaires ont été inclus, avec 1882 étudiants de cinq universités constituant le groupe de dérivation du modèle et 361 étudiants de deux universités supplémentaires formant le groupe de validation externe. Six techniques d'apprentissage machine, y compris la machine à gradient extrême (eXGBM), l'arbre de décision (DT), le voisin le plus proche (KNN), la forêt aléatoire (RF), le réseau neuronal (NN) et la machine à vecteurs de support (SVM), ont été employées pour entraîner les modèles en utilisant le même ensemble de caractéristiques. La performance prédictive des modèles a été évaluée en fonction de la discrimination et de la calibration, et l'importance des caractéristiques a été déterminée à l'aide de l'analyse SHAP (Shapley Additive exPlanations). Résultats : La prévalence des troubles du sommeil était de 44,69 % dans le groupe de dérivation du modèle et de 49,58 % dans le groupe de validation externe. Parmi les modèles développés, l'eXGBM a présenté une performance supérieure, surpassant les autres modèles sur des métriques telles que l'aire sous la courbe (0,779, IC à 95 % : 0,728–0,830), la précision (0,710), la précision (0,737), le score F1 (0,692), le score de Brier (0,193) et la perte logarithmique (0,569). Les analyses de calibration et de courbe de décision ont démontré une bonne capacité de calibration et des bénéfices cliniques nets respectivement. L'analyse SHAP a identifié cinq caractéristiques clés : le score de stress, la sévérité de la dépression, la consommation de légumes, l'âge et le temps sédentaire. La plateforme d'IA a été mise à disposition en ligne sur https://sleepdisturbancestudents-xakgzwectsw85cagdgkax9.streamlit.app/ , permettant aux utilisateurs de calculer le risque individuel de troubles du sommeil. Conclusion : Les troubles du sommeil sont répandus parmi les étudiants universitaires. Cette étude présente un modèle d'IA capable d'identifier les étudiants à haut risque de troubles du sommeil. La plateforme d'IA offre une ressource précieuse pour guider les interventions et améliorer les résultats en matière de sommeil des étudiants universitaires. Mots-clés : étudiants universitaires, troubles du sommeil, apprentissage machine, intelligence artificielle, importance des caractéristiques.