Évaluation du sommeil au niveau expert avec des réseaux neuronaux profonds

Objectifs : L'évaluation des données de polysomnographie (PSG) en laboratoire demeure une tâche manuelle consistant à annoter visuellement 3 catégories principales : les stades de sommeil, les troubles respiratoires liés au sommeil et les mouvements des membres. Les tentatives d'automatisation de ce processus ont été entravées par la complexité des signaux PSG et l'hétérogénéité physiologique entre les patients. Les réseaux neuronaux profonds, qui ont récemment atteint des performances de niveau expert pour d'autres tâches médicales complexes, sont particulièrement adaptés à l'évaluation PSG, à condition de disposer de suffisamment de données d'entraînement. Méthodes : Nous avons utilisé une combinaison de réseaux neuronaux récurrents et convolutionnels (RCNN) pour l'apprentissage supervisé des étiquettes cliniques désignant les stades de sommeil, les événements d'apnée du sommeil et les mouvements des membres. Les données de test et d'entraînement provenaient de 10 000 PSG cliniques et 5804 PSG de recherche. Résultats : Lorsqu'il est formé sur l'ensemble de données cliniques, le RCNN reproduit le score diagnostique PSG pour le classement de sommeil, l'apnée du sommeil et les mouvements des membres avec des niveaux de précision de 87,6 %, 88,2 % et 84,7 % sur les données de test conservées, un niveau de performance comparable à celui des experts humains. Le modèle RCNN fonctionne également aussi bien lorsqu'il est testé sur la base de données PSG de recherche indépendante. Seules de petites réductions de précision ont été notées lors de l'entraînement sur des canaux limités pour imiter les dispositifs de surveillance à domicile : des dérivations frontales uniquement pour le classement du sommeil, et des signaux de ceinture thoracique uniquement pour l'indice apnée-hypopnée. Conclusions : En créant des modèles d'apprentissage profond précis pour l'évaluation du sommeil, notre travail ouvre la voie à un accès élargi et plus rapide aux diagnostics du sommeil. L'automatisation d'une évaluation précise peut améliorer l'utilité et l'efficacité des approches en laboratoire et à domicile pour les diagnostics du sommeil, potentiellement étendant la portée de l'expertise en sommeil au-delà des cliniques spécialisées.