Évaluer la capacité de modèles d’intelligence artificielle à prédire quantitativement l’utilisation du traitement par pression positive continue (PPC), en termes de durée d’utilisation et de jours d’interruptions au cours des 90 premiers jours, à partir des données initiales recueillies par les appareils.

Nous avons analysé rétrospectivement les données de 116 189 patients sous PPC (62,5 % d’hommes, âge moyen 60,2 ± 14,2 ans, IMC moyen 31,3 ± 6,2 kg/m ² , IAH initial moyen 39,3 ± 18,8), collectées entre 2018 et 2025. Les variables incluaient des données démographiques, l’indice d’apnées-hypopnées (IAH) initial, le type de masque, et des paramètres nocturnes enregistrés par l’appareil (durée d’utilisation, pression, fuites, IAH). Les modèles de régressions XGBoost, CatBoost, et LightGBM ont été entraînés pour prédire le nombre d’heures d’utilisation quotidienne et le nombre de jours d’interruption sur 90 jours, en utilisant les données des 7, 14, 30 et 60 premiers jours. La base de données a été divisée entre 90 % pour l’entraînement, 5 % pour la validation et 5 % pour le test, cette dernière, inédite pour les modèles entraînés. Les performances ont été évaluées dans la partie de test par R ² , RMSE et MAE.

Les 3 modèles de régression ont atteint des performances similaires, avec XGBoost légèrement meilleur. Les prédictions de la durée d’utilisation ont montré une amélioration progressive en fonction de l’horizon temporel : R ² = 0,727 (7 jours), 0,816 (14 jours), 0,910 (30 jours) et 0,979 (60 jours). Pour le nombre de jours d’interruption, les performances étaient également élevées : R ² = 0,792 (7 jours), 0,840 (14 jours), 0,911 (30 jours) et 0,976 (60 jours). Les erreurs absolues moyennes (MAE) étaient faibles pour toutes les prédictions, atteignant 0,013 pour la durée et 0,030 pour les jours interrompus à 60 jours.

Les modèles de régression basés sur l’intelligence artificielle permettent d’anticiper avec une précision croissante, dès la première semaine d’utilisation, la durée et la régularité d’observance au traitement par PPC. Ces résultats ouvrent la voie à une détection précoce des profils à risque et à une personnalisation dynamique du suivi des patients.