Détection automatique des apnées du sommeil sur l’ECG nocturne par un apprentissage profond en réseau de neurones récurrents (RNN)

Objectif Le diagnostique du syndrome d’apnees du sommeil (SAS) necessite la pose et l’analyse d’une polygraphie ou une polysomnographie (PSG). Ces examens demeurent couteux et les delais d’attente peuvent atteindre plusieurs mois. De plus, cette pathologie etant generalement asymptomatique avec une prevalence importante apres 50 ans, un diagnostic chez le plus grand nombre pourrait s’averer benefique pour la prevention de ses consequences sur la morbi-mortalite. Pour ces raisons, des Methodes de detection « allegees » sont mises au point ces dernieres annees. Methodes Le calcul de la suite des intervalles RR et une reconstruction des mouvements thoraciques (ECG-derived respiration, EDR) sont realises sur des ECG provenant d’enregistrements PSG. Un apprentissage profond avec une architecture en reseau de neurones recurrents (RNN) a ete ensuite effectue sur ces deux signaux RR et EDR afin d’identifier les evenements respiratoires (apnees, hypopnees, obstructives ou centrales). L”apprentissage a ete realise sur 128 patients et l’algorithme obtenu teste sur 50 (AHI : 33,2 ± 28,1 nb/h [min : 0,3 ; max : 118,2]). Resultats Le coefficient de correlation intra-classe entre l’AHI mesure par la methode RNN et par la PSG est de 0,89 et l’analyse de Bland-Altman montre un biais de + 4,9 nb/h et une limite de concordance (95 %) de ± 11,7 nb/h. Conclusion L’apprentissage profond a donc permis de predire avec une bonne precision la presence de SAS a partir d’un simple ECG nocturne et pourrait etre adapte pour la detection rapide et a faible cout du SAS dans de larges populations.