En France, la part des enfants atteints du SAOS mais jamais diagnostiqués est estimée à 80 %. Également, le délai moyen entre les premiers signes évocateurs de SAOS et le début des soins est estimé à 5 ans. La présente étude s’inscrit dans un projet d’envergure ayant pour objectif de faciliter l’accès au soin pour les enfants concernés. Elle s’articule autour d’un premier modèle d’apprentissage automatique d’évaluation de la qualité du sommeil et d’un second de détection des apnées et hypopnées. Nous choisissons d’exploiter le son (NOX®), signal le plus fiable et le moins invasif à capter chez l’enfant. La détection de ces différents évènements à partir de l’audio est un défi peu étudié sur des cohortes pédiatriques. L’objectif à terme est de proposer une pipeline complète combinant ces deux modèles.

La cohorte étudiée est composée de 3402 enfants âgés de 1 à 18 ans, dont 61 % de garçons, avec un IMC moyen de 19,87 kg/m ² ( Fig. 1 ). Les antécédents médicaux des participants sont variés. Les événements de types éveils, sommeil supposé, ronflements ou respiration buccale permettent d’évaluer la qualité du sommeil. Ces épisodes sont annotés au même titre que les apnées et les hypopnées par une double lecture par des praticiens certifiés du sommeil. Les modèles de deep learning retenus sont issus de l’état de l’art sur des problématiques similaires chez l’adulte. L’entraînement est réalisé sur un échantillon aléatoire de 200 individus correspondant à presque 2000 heures d’audio.

Les deux modèles sont testés après entraînement sur un échantillon aléatoire de 40 individus à la prédiction respectivement de phase d’éveil, sommeil supposé, ronflement et respiration buccale, ou d’apnée et hypopnées. Le modèle de qualité du sommeil obtient une accuracy de 85,4 %, proche des meilleurs résultats de la littérature sur des cohortes adultes. Le second modèle détecte effectivement 73,1 % des apnées et hypopnées confondus, avec une marge d’amélioration avérée.

Les premiers résultats d’analyse automatique du sommeil chez l’enfant à partir d’enregistrements audio semblent probants. Ils ouvrent la porte à une solution de dépistage du SAOS efficace, intégrable par exemple sur un smartphone et accessible au plus grand nombre afin d’améliorer l’accès au soin.