En décodant les signaux neuronaux, cardiaques, respiratoires et autres cachés dans les études de routine sur le sommeil, le modèle a identifié les patients à haut risque que les mesures d’apnée conventionnelles n’ont pas réussi à distinguer.
Article : Un modèle de base pour la stratification des risques et les résultats cliniques basés sur le sommeil. Crédit d’image : PHOTO F01/Shutterstock
Des chercheurs ont développé une intelligence artificielle (IA) qui peut extraire des signaux physiologiques cachés à partir des données de tests de sommeil de routine pour stratifier les patients en fonction des risques pour la santé à long terme. L’étude est publiée dans la revue Communications naturelles.
Arrière-plan
Le sommeil est un état biologique régulé essentiel au bien-être physique et mental. Un sommeil perturbé peut affecter considérablement la qualité de vie et augmenter le risque de maladies cardiovasculaires, neurologiques et psychiatriques.
Les troubles du sommeil sont très répandus dans le monde. Ils représentent un fardeau sanitaire mondial important. L’apnée du sommeil est l’un des troubles du sommeil les plus courants et touche près d’un milliard d’adultes dans le monde.
La polysomnographie est le test de référence pour diagnostiquer les troubles du sommeil. Cependant, l’interprétation clinique de ce test est souvent réduite à de simples mesures récapitulatives de valeur pronostique limitée, comme l’indice d’apnée-hypopnée (IAH). Cet indice ne capture que des informations limitées sur la physiologie du sommeil et ne peut donc pas évaluer pleinement l’intégrité du sommeil.
Une équipe de recherche multidisciplinaire a récemment développé un modèle basé sur l’IA capable de décoder les schémas de sommeil cachés associés aux maladies cardiovasculaires, aux troubles cognitifs et au risque de mortalité.
Conception du modèle
Les chercheurs ont développé un modèle de base d’IA capable d’analyser les résultats de la polysomnographie nocturne afin d’identifier les modèles physiologiques cachés associés aux résultats cliniques à long terme.
Contrairement aux modèles d’apprentissage automatique traditionnels, qui dépendent souvent de conceptions spécifiques à des tâches et nécessitent un recyclage complet pour de nouvelles tâches, les modèles de base sont des modèles vastes et à usage général formés sur des ensembles de données vastes et diversifiés. Cette méthodologie permet à ces modèles de s’adapter à de nouveaux ensembles de données ou tâches avec un minimum de formation supplémentaire.
Cependant, appliquer cette méthodologie aux données de polysomnographie est un défi, car les enregistrements du sommeil sont volumineux, bruyants et hautement spécifiques à chaque individu. Ces défis mettent en évidence la nécessité de développer des méthodes innovantes capables de transformer les signaux physiologiques enregistrés à différentes fréquences en jetons uniformes pour les modèles d’apprentissage automatique.
Ici, les chercheurs ont formé leur modèle de base à l’aide d’une ressource unique de 10 000 études de polysomnographie haute résolution provenant des signaux du sommeil, des tests et des rapports liés aux caractéristiques des patients de la Cleveland Clinic (ÉTOILÉ) Registre, qui étaient liés aux dossiers médicaux électroniques. Après contrôle qualité, 9 608 études portant sur 9 297 patients ont été retenues pour des analyses de regroupement.
Principales conclusions et signification
En extrayant et en analysant les caractéristiques physiologiques cachées des signaux neuronaux, oculaires, musculaires, cardiaques, d’oxygénation et ventilatoires des enregistrements de sommeil de routine, le modèle de base a identifié cinq groupes de patients dérivés de l’intégration avec des trajectoires nettement différentes en matière de mortalité, d’événements cardiovasculaires indésirables majeurs, de fibrillation auriculaire, de déficience cognitive et d’épilepsie.
Les patients classés dans le groupe à risque le plus élevé présentaient un risque de mortalité plus du double par rapport à ceux de la catégorie à risque le plus faible. En revanche, les catégories traditionnelles de gravité de l’IAH ne permettaient pas de prédire la mortalité.
Pendant des décennies, l’IAH a été largement utilisé pour définir la gravité des troubles respiratoires du sommeil. Pourtant, l’indice n’a détecté aucune association avec la mortalité dans la cohorte étudiée, ce qui indique une capacité insuffisante à stratifier les risques cliniquement significatifs.
En revanche, les groupes à risque dérivés de l’IA ont montré des associations fortes et graduées avec les résultats cliniques, même après ajustement en fonction des données démographiques, des comorbidités et de l’IAH lui-même. Ces résultats suggèrent que le modèle de base peut capturer des signaux physiopathologiques plus détaillés du sommeil associés à des résultats cliniques au-delà de ceux capturés par la seule obstruction des voies respiratoires.
La Société thoracique américaine (ATS) a donné la priorité au développement de mesures objectives et évolutives qui vont au-delà de l’IAH pour prédire les résultats cardiovasculaires et neurologiques. Les découvertes actuelles contribuent directement à ces priorités en fournissant un cadre évolutif et validé en externe qui révèle des signaux physiologiques cachés avec des implications cliniques claires.
Pour valider davantage la robustesse du modèle, les chercheurs ont appliqué une version simplifiée à deux groupes de l’approche de stratification aux données obtenues dans le cadre de la Sleep Heart Health Study (SHHS). L’approche reproduisait des associations avec la mortalité et l’insuffisance cardiaque chez les hommes et les femmes.
En revanche, des analyses SHHS antérieures liaient les troubles respiratoires graves du sommeil à l’insuffisance cardiaque uniquement chez les hommes et révélaient des associations de mortalité principalement chez les hommes d’âge moyen atteints d’une maladie grave. La cohérence des résultats entre cohortes indépendantes utilisant différents protocoles de polysomnographie soutient la généralisabilité potentielle de l’approche.
Notamment, les participants SHHS du groupe à haut risque ont présenté une durée de sommeil totale nettement courte, similaire aux perturbations physiologiques marquées observées dans le groupe à risque le plus élevé de la cohorte STARLIT, ce qui conforte davantage la plausibilité biologique et la pertinence clinique.
La principale force de l’étude réside dans l’intégration de signaux polysomnographiques multimodaux avec des dossiers médicaux électroniques longitudinaux provenant d’une vaste cohorte clinique démographiquement diversifiée. Les enregistrements couplés ont fourni une fenêtre d’observation clinique totale moyenne de 14,5 ans, y compris les antécédents médicaux avant et le suivi après la polysomnographie. Cette intégration a amélioré la richesse des données cliniques et a permis une stratification des risques plus complète que l’une ou l’autre source seule.
Le modèle de base, cependant, a été formé à l’aide d’objectifs supervisés par un technicien, notamment les phases de sommeil, les événements respiratoires et les désaturations en oxygène. Une éventuelle influence de ces objectifs sur l’intégration apprise ne peut être totalement ignorée. Des recherches futures explorant des objectifs auto-supervisés et ciblés sur des maladies sont donc nécessaires pour réduire la dépendance à l’égard des étiquettes définies par les techniciens.
D’autres limitations incluent des données objectives non disponibles sur l’observance de la pression positive des voies respiratoires, des dossiers de médicaments incomplets, une confusion résiduelle possible et le recours aux codes de diagnostic des dossiers de santé électroniques. La conception rétrospective empêche également de tirer des conclusions causales, et une validation externe supplémentaire et des essais cliniques prospectifs seront nécessaires avant que le modèle puisse être mis en œuvre dans les établissements de soins de santé. De telles études devront également déterminer si l’approche peut guider avec précision l’évaluation des risques et améliorer les résultats pour chaque patient.
