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.