Apprentissage et modélisation statistique en médecine du sommeil : du diagnostic au traitement

Learning and statistical modelingin sleep medicine: from diagnosis to treatment

• Auteur / Autrice : Fanny Bertelli
• Direction : Nicolas Molinari, Eric Matzner-lober
• Type : Projet de thèse
• Discipline(s) : Biostatistique
• Date : Inscription en doctorat le ; Soutenance le 22/12/2023
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : IDESP - Institut Desbrest d’Epidemiologie et de Sante Publique
• Jury : Président / Présidente : Frédérique Gagnadoux
• Jury : Examinateurs / Examinatrices : Nicolas Molinari, Jean-Christian Borel, Eric Matzner lober, Dany Jaffuel, Caroline Mollevi, Sébastien Bailly, Trzepizur Wojciech
• Jury : Rapporteur / Rapporteuse : Sébastien Bailly, Trzepizur Wojciech

Mots clés

Mots clés libres

Sommeil

Apnée/Hypopnée

Sahos

Polysomnographie

Machine Learning

Sleeping

Apnoea/hypopnoea

Osahs

Polysomnography

Machine Learning

Résumé

Le syndrome d’apnées et d’hypopnées obstructives du sommeil (SAHOS) se caractérise par la survenue, pendant le sommeil, d’épisodes anormalement fréquents d’interruptions de la ventilation (apnées), ou de réductions significatives de la ventilation (hypopnées). La définition de la sévérité du SAHOS repose sur deux composantes du syndrome : la somnolence diurne et l’indice d’apnées-hypopnées (IAH). L’IAH est un index du nombre d’évènements respiratoires de type apnées ou hypopnées par heure de sommeil et est estimé en sommant le nombre d’apnées et d’hypopnées réalisées au cours de la nuit divisé par le temps de sommeil total (TST). Les évènements respiratoires et le TST sont estimés par un examen nommé polysomnographie (PSG) qui est considéré comme l’examen Gold Standard pour le dépistage du SAHOS. Cependant, cet examen est couteux, difficilement accessible avec de longs délais d’attente malgré une prévalence estimée mondialement à 1 milliard de personnes. Une simplification du diagnostic a été mise en place avec des appareils de diagnostic moins couteux, plus accessibles et utilisables au domicile du patient mais dont la principale limite est la surestimation du TST et par conséquent des faux négatifs du patient. Cette surestimation du temps de sommeil s’explique notamment par l’absence, dans les appareils simplifiés de type polygraphie, de l’examen d’électro-encéphalographie (EEG) permettant l’analyse de l’activité cérébrale, cette dernière étant nécessaire au codage des stades de sommeil selon les critères de codage de l’académie américaine de médecine du sommeil. Dans un premier temps, ce travail de thèse a eu pour objectif de tester la capacité des EEG seuls à prédire les stades de sommeil et par conséquent le TST. Une analyse fréquentielle à l’aide de l’analyse de Fourier est appliquée aux signaux EEG et la prédiction des stades de sommeil est réalisée à l’aide d’algorithmes de machine learning. Les différents modèles ont été entrainés par validation croisée sur une base d'entrainement contenant l'ensemble des patients de la base excepté celui à prédire. La meilleure classification des stades de sommeil parmi celles des algorithmes testés ne permet pas une classification robuste, notamment pour les stades 1 et REM avec des Kappas inférieurs à 0.2. L’estimation du temps de sommeil par les EEG seuls est statistiquement différente du gold standard avec une surestimation moyenne de 37.3 ± 46.0 minutes (p = 0.007) ce qui n’est pas en faveur de l’utilisation des EEG seuls pour l’évaluation du TST. La deuxième partie de ce travail de thèse a consisté à optimiser la performance du mono signal de mouvement mandibulaire (MM) pour mesurer le TST : ce signal a déjà prouvé sa capacité le temps de sommeil mais à travers d’autres algorithmes notamment de deep learning. Dans cette thèse, la classification optimale des époques en Veille/Sommeil a été réalisée par l’algorithme de machine learning Lasso. Les résultats obtenus sont satisfaisants: il n’existe pas de différence significative en termes de temps de sommeil entre l’estimation par le MM et celle de la PSG (-7.8 ± 81 min, p = 0.636). Ces performances s’expliquent notamment par une meilleure détection des éveils intra nuits avec un plus grand F1 score que les EEG seuls (+0.135, p = 0.001). Dans une étude pilote, ce nouvel algorithme de calcul du temps de sommeil par le MM est associé à une classification correcte de la sévérité des patients pour 92% d’entre eux (IAH≥15/h versus IAH <15/h). Ce travail de thèse plaide donc en faveur de l’utilisation du mono signal de MM plus que du mono signal EEG pour estimer le TST dans un contexte de diagnostic de SAHOS. Ainsi, la demande croissante alimente la nécessité de développer des outils plus simples mais plus performants pour évaluer les événements respiratoires et la durée du sommeil. Notre étude contribue à l’amélioration des résultats obtenus avec des appareils déjà utilisés et, à terme, à l’avancement du diagnostic simplifié du SAHOS.

Obstructive sleep apnea and hypopnea syndrome (OSAHS) is characterized by the occurrence of abnormally frequent episodes of interruptions in ventilation (apneas), or significant reductions in ventilation (hypopneas) during sleep. OSAHS severity is based on two components: daytime sleepiness and apnea-hypopnea index (AHI). AHI is an index of the number of respiratory events such as apneas or hypopneas per hour of sleep and is estimated by summing apneas and hypopneas number experienced during the night divided by sleep time (TST). These respiratory events and sleep time are estimated with polysomnography (PSG) which is considered the Gold Standard test for OSA screening. However, this test is expensive, with long waiting times that hinder accessibility, despite an OSAHS worldwide prevalence estimated at one billion people. Thus, a diagnosis simplification has been implemented with less expensive screening devices, more easily available and usable at the patient's home but whose main limitation is TST overestimation and consequently a higher rate of false negatives. This overestimation of TST by simplified polygraphy-type devices is partly explained by the absence of electroencephalography (EEG) examination allowing the analysis of cerebral activity, which is necessary for coding sleep stages according to the American Academy of Sleep Medicine coding criteria. Firstly, this work aims to test the ability of EEG alone to predict sleep stages and therefore estimate TST. We developed a frequency analysis method using Fourier transformation integrated in a machine-learning algorithm, applied to EEG signals and prediction of sleep. The choice to use machine-learning algorithms was dictated by clinicians’ desire of transparency in artificial intelligence applied to medicine. The different models were trained by cross-validation on a training database containing all the patients in the database except the one to be predicted. The best classification of sleep stages among those of the tested algorithms did not allow a robust classification, particularly for stages 1 and REM with Kappa-values lower than 0.2. TST estimation by EEG alone is statistically different from the gold standard with an average overestimation of 37.3 ± 46.0 minutes (p=0.007), which is not in favor of using EEG alone. The second part of this thesis work consisted of optimizing the performance of the single mandibular movement signal (MM) to measure the TST. the MM signal has already proven its ability to measure sleep time but through other algorithms, notably deep learning ones. In our study, a modified Lasso machine-learning algorithm was developed to carry out the optimal classification of Wake/Sleep epochs . The results obtained are satisfactory in that there is no significant difference in terms of sleep time between the MM and PSG TST estimates (-7.8 ± 81 min, p = 0.636). This performance is explained in particular by the better detection of intra-night awakenings with a greater MM F1 score than EEG alone (+0.135, p = 0.001). In a preliminary study, our new algorithm for calculating TST using MM is associated with a correct classification of OSA severity for 92% of patients(AHI≥15/h versus AHI<15/h). These results therefore argue in favor of using the single MM signal rather than the single EEG signal to estimate the TST in a context of OSAHS diagnosis. Overall, the increasing demand fuels the need to develop simpler yet high-performing tools to assess respiratory events and sleep time. Our study contributes to the improvement of results obtained with widespread devices already in use and, in the long-term, to the advancement of simplified OSAHS diagnosis.