Observance au traitement par PPC : apport de l’intelligence artificielle dans l’analyse de 116 000 patients - 06/03/26
Résumé |
Objectif |
Identifier les facteurs prédictifs de l’observance au traitement par pression positive continue (PPC) et évaluer les performances de modèles d’intelligence artificielle pour sa prédiction.
Méthodes |
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). L’observance était définie comme une durée ≥ 4 h/nuit pendant ≥ 70 % des nuits sur 90 jours. Les associations univariées et multivariées ont été analysées par régression logistique. Le modèle XGBoost a été utilisé pour améliorer la précision de prédiction. Les performances ont été évaluées par F1-score et AUC (validation croisée à 10 plis).
Résultats |
65,7 % des patients étaient observants et 34,3 % non observants. Les analyses univariées ont mis en évidence des liens entre l’observance et les variables démographiques, l’IAH, le type de masque, les paramètres d’utilisation, le fabricant et le prestataire de PPC. En analyse multivariée, l’observance était associée de façon indépendante à l’IAH médian (OR = 1,74), l’IAH initial (OR = 1,34), l’âge (OR = 1,27), le sexe masculin (OR = 1,19), la pression médiane (OR = 1,06), l’IMC (OR = 1,05), la fuite médiane (OR = 1,02), le type de masque (masques faciaux OR = 0,888 ; à masques narinaires OR = 0,875), le delta fuite (OR = 0,857), le delta pression (OR = 0,776) et le delta de l’IAH (OR = 0,420). La régression logistique a obtenu un F1-score de 0,745, une AUC de 0,709 et une spécificité de 0,613 (sensibilité pour la détection de la non-observance). Le modèle XGBoost a permis d’améliorer les performances prédictives, atteignant un F1-score de 0,855, une AUC de 0,896 et une spécificité de 0,779.
Conclusion |
Les données des appareils PPC permettent une prédiction personnalisée de l’observance. Ces modèles pourraient aider à détecter précocement les patients à risque de non-observance et guider des interventions ciblées.
Le texte complet de cet article est disponible en PDF.Plan
Vol 23 - N° 1
P. 112 - mars 2026 Retour au numéro
Article précédent
- Le profil clinique, métabolique et polygraphique du SAHOS chez les obèses apnéiques
- Hakima Belhaoues, Yasmina Raphaëlle Boucherit Benarab, Djaouida Kerbi, Mohamed Benkhalef, Zine Eddine Zouaoui
- Prévalence, caractéristiques cliniques et polygraphiques chez des patients à risque de syndrome d’apnées obstructives du sommeil
- Sy Duong-Quy, Bang Nguyen-Trong, Nen Nguyen-Cao-Minh, Tram Tang-Thi-Thao, Tri Nguyen-Minh, Bo Nguyen-Thi-Mong, Nghia Ma-Thanh-Huu, Trung Mai-Xuan, Diep Nguyen-Thi-Hong, Phuong Tran-Thi-Bich, Tuan Huynh-Anh, Huong Hoang-Thi-Lan, Thomas Penzel, Franck Soyez, Francis Martin
Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.
Déjà abonné à cette revue ?