Dans le cadre d’une nouvelle étude publiée dans la revue Scientific Reports, des chercheurs de l’université de Tilburg ont mis au point un algorithme plus fiable et plus performant, en collaboration avec des collègues du Centre néerlandais de médecine du sommeil Kempenhaeghe et avec Philips au sein du Centre d’innovation MedTech d’Eindhoven. Grâce au deep learning, cet algorithme est capable d’analyser plus efficacement que jamais auparavant les données relatives au sommeil (mesurées au moyen d’appareils connectés portés au poignet) de personnes souffrant de troubles du sommeil.
Chez les personnes atteintes de troubles du sommeil, il est important de bien comprendre la structure et la qualité du sommeil. Pour ce faire, la principale technique est la polysomnographie (PSG), qui consiste à placer une série d’électrodes sur un patient. La plupart du temps, cette méthode n’est utilisée que pendant une ou tout au plus deux nuits, car elle est pénible pour le patient et que le test en lui-même peut parfois même perturber le sommeil. C’est la raison pour laquelle d’autres méthodes permettant de mesurer le sommeil plus longtemps sont étudiées, par exemple une montre connectée.
«En tant que médecins, nous aimerions disposer de plus d’informations sur les habitudes de sommeil, et ce sur de plus longues périodes. C’est là qu’interviennent les technologies portables et des algorithmes adaptés», explique Sebastiaan Overeem, professeur au sein du département d’électrotechnique de la TU/e et somnologue au Centre de médecine du sommeil Kempenhaeghe à Heeze, aux Pays-Bas.
Des problèmes et des solutions
Jusqu’à présent, les chercheurs et les médecins utilisaient des mesures des mouvements du corps pour obtenir des informations sur les cycles de sommeil et d’éveil des patients sur un plus long terme. Cependant, cette méthode appelée actigraphie présente un inconvénient majeur. «Les personnes en bonne santé bougent moins lorsqu’elles dorment. Les personnes qui souffrent d’insomnie restent parfois éveillées en étant allongées dans une position très immobile, position qui est enregistrée par l’actigraphie comme du sommeil, alors que ce n’est pas le cas», poursuit Sebastiaan Overeem.
Les chercheurs ont essayé de résoudre ce problème en élargissant les mesures aux variations du rythme cardiaque à l’aide de la photopléthysmographie, qui utilise la lumière pour mesurer les variations du volume de sang en circulation.
«La technologie, c’est une chose, mais nous avons aussi besoin des bons outils pour analyser de grandes quantités de données, qui peuvent ensuite être utilisées par les médecins pour affiner leurs diagnostics», ajoute Sebastiaan Overeem. «Dans des études antérieures, nous avons utilisé des algorithmes reposant sur le machine learning pour aider lors de l’analyse, mais cette approche nécessitait une très grande puissance de calcul et beaucoup de temps, sans compter le marquage manuel chronophage des caractéristiques dans les signaux de sommeil mesurés chez un patient.»
Dans le cadre d’une nouvelle étude publiée récemment dans la revue Scientific Reports, Sebastiaan Overeem et des collègues de la TU/e, du Centre néerlandais de médecine du sommeil Kempenhaeghe et de Philips ont abordé la question différemment. Merel van Gilst, coautrice et professeure assistante à la TU/e, explique: «Nous avons commencé par “alimenter” un réseau neuronal avec les données brutes relatives aux mouvements et au rythme cardiaque, ainsi que les données de références sur le sommeil de la PSG. Ensuite, nous avons laissé l’algorithme détecter automatiquement les caractéristiques intéressantes.»
Pourquoi?
Pourquoi développer un nouvel algorithme de surveillance du sommeil alors qu’il existe toute une ribambelle d’appareils destinés au grand public qui évaluent la qualité du sommeil en s’appuyant sur les variations du rythme cardiaque? Prenez les Apple Watches et les montres de sport Garmin, pour n’en citer que deux. Merel van Gilst souligne que ces appareils présentent un inconvénient majeur pour le milieu clinique: «Les algorithmes dans les appareils grand public sont testés sur de petits groupes de personnes en bonne santé qui ne souffrent pas de troubles du sommeil. De plus, ces appareils évaluent souvent le sommeil sur de grandes fenêtres de temps pour économiser la batterie. De ce fait, on peut passer à côté de détails subtils dans les données. Par ailleurs, les performances et la précision pour les différentes phases de sommeil sont assez faibles.»
Cette approche a donné naissance à un algorithme performant qui avait besoin de beaucoup moins de puissance de calcul et de temps. «Il est maintenant possible d’implémenter cet algorithme dans des appareils et des services dans le cloud à usage clinique», conclut Merel van Gilst.
Pour développer des algorithmes fiables à des fins médicales, il faut compter des centaines de données de sommeil mesurées par PSG, associées aux données d’appareils portables. Ces données doivent provenir de personnes d’âges différents et présentant toutes sortes de troubles du sommeil. De surcroît, des experts du sommeil doivent marquer manuellement les enregistrements avant que les algorithmes de deep learning puissent enfin être développés. «Si vous sautez l’une de ces étapes, vous créerez un algorithme de moins bonne qualité», précise Sebastiaan Overeem. «Dans le cadre de la surveillance des troubles du sommeil, l’efficacité du matériel dépend des algorithmes avec lesquels les données sont analysées.»
Les nouveaux algorithmes développés par les chercheurs devraient pouvoir être utilisés dans des appareils portables de différents fabricants, à condition que les capteurs dans les appareils soient d’une qualité suffisante.
