Apnées du sommeil : les enfants tiennent leur algorithme

En partant du principe que l’IA pouvait aider à l’identification des Syndromes d’Apnées Hypopnées Obstructives du Sommeil (SAHOS)  et que les places n’étaient pas suffisantes dans le monde pour réaliser des polysomnographies, une équipe internationale de chercheurs chinois, espagnol et américain (1) a développé un algorithme de machine learning (2) basé sur l’oxymétrie permettant de détecter avec précision la sévérité des apnées obstructives du sommeil chez des enfants qui ronflent. 

La polysomnographie a été réalisée sur une nuit complète. Un oxymètre relevait les données et, connecté à un smartphone par bluetooth, les transmettait au cloud pour qu’elles soient traitées de manière automatique par l’algorithme afin d’obtenir une estimation de l’Indice d’Apnées-Hypopnées (IAH).

L’algorithme ainsi développé a permis d’identifier avec une précision supérieure à 79 % l’ensemble des SAHOS, de 88,2 % pour un IAH de plus de dix arrêts respiratoires par heure, (3) avec une spécificité particulièrement élevée (92,7 %) et une sensibilité de 73,5 %. Seulement 4,7 % de résultats faux négatifs ont été répertoriés, où 0,6 % des enfants présentaient en réalité un syndrome modéré ou sévère.

Cette étude monocentrique algorithme vs polysomnographie a été réalisée auprès de plus de 400 enfants de 2 à 15 ans qui avaient une suspicion de SAHOS (ronflements réguliers au moins trois nuits par semaine). Même si elle est limitée par son approche (un seul appareil avec des mesures réalisées en une seule nuit), cette étude apporte une première analyse sur la précision diagnostique d’un oxymètre portable dont les données peuvent être analysées à distance par un algorithme de machine learning.

A termes, l’évolution de cette analyse devrait permettre de proposer aux patients une approche différente et permettre ainsi de surmonter les difficultés d’accès aux centres pédiatriques du sommeil et réduire les coûts du diagnostic du SAHOS chez l’enfant.

(1) European Respiratory Journal.
(2) Le machine learning, entendu comme l’ensemble des algorithmes qui permettent d’apprendre en identifiant des relations entre des données et de produire des modèles prédictifs de manière autonome, avec des Start up comme I’m OK et la gestion des pics d’activité dans la restauration.
(3) Cet index permet d’évaluer le degré de sévérité du problème d’apnée par événements respiratoires par heure (léger : 5 à 15 ; modéré : 15 à 30 ; sévère : plus de 30).

image_pdfimage_print