Un nouveau modèle d'apprentissage en profondeur développé par des chercheurs de l'Université de Finlande orientale peut identifier les stades du sommeil aussi précisément qu'un médecin expérimenté. Cela ouvre de nouvelles voies pour le diagnostic et le traitement des troubles du sommeil, y compris l'apnée obstructive du sommeil.

L'apnée obstructive du sommeil (AOS) est un trouble respiratoire nocturne qui pèse lourdement sur les systèmes de santé publique et les économies nationales. On estime que jusqu'à un milliard de personnes dans le monde souffrent d'apnée obstructive du sommeil, et ce nombre devrait augmenter en raison du vieillissement de la population et de la prévalence accrue de l'obésité. Lorsqu'il n'est pas traité, Le SAOS augmente le risque de maladies cardiovasculaires et de diabète, entre autres conséquences graves pour la santé.

L'identification des stades du sommeil est essentielle dans le diagnostic des troubles du sommeil, y compris l'apnée obstructive du sommeil. Traditionnellement, le sommeil est classé manuellement en cinq étapes, qui sont réveillés, sommeil à mouvements oculaires rapides (REM) et trois stades de sommeil non paradoxal. Cependant, la notation manuelle des stades du sommeil prend du temps, subjectif et coûteux.

Pour surmonter ces défis, des chercheurs de l'Université de Finlande orientale ont utilisé des données d'enregistrement polysomnographique d'individus en bonne santé et d'individus suspectés d'AOS pour développer un modèle d'apprentissage en profondeur précis pour la classification automatique des stades du sommeil. En outre, ils voulaient savoir comment la gravité de l'AOS affecte l'exactitude de la classification.

Chez les individus sains, le modèle a pu identifier les stades du sommeil avec une précision de 83,7% lors de l'utilisation d'un seul canal d'électroencéphalographie frontale (EEG), et avec une précision de 83,9% lorsqu'il est complété par un électrooculogramme (EOG). Chez les patients suspectés d'AOS, le modèle a atteint des précisions de 82,9% (canal EEG unique) et 83,8% (canaux EEG et EOG). Les précisions monocanal variaient de 84,5% pour les personnes sans AOS à 76,5% pour les patients avec AOS sévère. Les précisions obtenues par le modèle sont équivalentes à la correspondance entre des médecins expérimentés effectuant une évaluation manuelle du sommeil. Cependant, le modèle a l'avantage d'être systématique et de toujours suivre le même protocole, et effectuer la notation en quelques secondes.

Selon les chercheurs, l'apprentissage en profondeur permet une mise en scène automatique du sommeil pour les patients suspectés d'AOS avec une grande précision. L'étude a été publiée dans Journal IEEE de l'informatique biomédicale et de la santé .