En France, plus de 37 % de la population souffre de troubles du sommeil liés principalement à des troubles respiratoires, classant ainsi ce problème parmi les préoccupations de santé publique. Son diagnostic repose sur la polysomnographie, examen de référence pour l’étude du sommeil, dont l’interprétation nécessite l’expertise d’un spécialiste et un temps d’analyse important associés à des coûts de fonctionnement élevés. Les demandes croissantes d’examens imposent donc aux Centres du sommeil une réflexion quant à une optimisation de sa gestion. Pour répondre à cette optimisation, l’objectif de ce travail est de développer un outil basé sur l’intelligence artificielle et l’apprentissage profond afin d’automatiser l’analyse des signaux polysomnographiques en se focalisant sur la prédiction des stades du sommeil afin de créer un hypnogramme.

Les enregistrements sont issus de la base de données de centre du sommeil de la Clinique mutualiste de Saint-Étienne, un sous-échantillon de 130 patients a été extrait aléatoirement comprenant des patients apnéiques et normaux d’âge moyen 45 ± 22 ans, 56 % femme, AHI moyen 20 évènements/heure [0,1–96,9]. Pour la constitution de l’hypnogramme, nous avons utilisé un modèle d’apprentissage profond type CNN combiné à un transformer pour l’extraction des caractéristiques suivi d’une fusion Cross-Modal. Un modèle BLSTM a ensuite été appliqué pour la modélisation temporelle.

L’hypnogramme a pu être reproduit avec des performances excellentes obtenant une précision de 89 %. Pour le stade d’éveil, la sensibilité atteint 93 % et la spécificité dépasse 92 %, pour la NREM, la sensibilité et la spécificité sont à 85 % et 96 % respectivement, et la phase REM a une sensibilité de 85 % et une spécificité de 95 %.

Les résultats de cette étude offrent des perspectives intéressantes, montrant des performances supérieures aux données de la littérature. Plusieurs scénarios populationnels ont pu être testés confirmant la robustesse du modèle et permettant d’envisager l’automatisation de la lecture. Ce travail ouvre également la voie à une utilisation élargie, notamment en télémédecine, avec un impact économique et sociétal significatif. Dans de futurs travaux, des méthodes similaires seront étudiées pour détecter et classifier les évènements respiratoires afin d’étendre les capacités de l’outil.