Insomnie et COVID long : une analyse assistée par l’IA pour explorer la microarchitecture du sommeil des patients

Abstract

Objectif

Explorer, à l’aide de l’intelligence artificielle (IA), la présence de pattern spécifiques dans les signaux d’électroencéphalographie (EEG) nocturne de patients insomniaques atteints de COVID long.

Méthodes

Trente et un patients atteints de COVID19 long et d’insomnie chronique ont réalisé une polysomnographie. 62 sujets insomniaques sans COVID-19 long ont été utilisés comme témoins, appariés. L’insomnie a été confirmée cliniquement, selon les critères ICSD-3 et DSM-5. Des fenêtres de 30 secondes issues de 6 canaux EEG et 2 EOG ont été utilisées pour entraîner des classificateurs interprétables (RandomForest, CatBoost, Stochastic Gradient Descent) à classer une fenêtre comme provenant d’un patient infecté par le COVID long, en gardant à chaque apprentissage un patient comme référence. Ces analyses ont été comparées afin d’évaluer si le COVID long avait un impact plus important sur un des stades du sommeil.

Résultats

Le sommeil lent profond et le sommeil paradoxal étaient les plus impactés par le COVID long, avec une balanced accuracy moyenne de 0,64 sur l’ensemble des patients testés avec RandomForest. Pour 9/31 (29 %) patients infectés par COVID long, le modèle a prédit que plus de 70 % de leurs signaux présentaient des caractéristiques de COVID long. Pour les témoins, 49/62 (79 %) sujets ont été correctement classés. Les caractéristiques les plus importantes étaient les statistiques temporelles du canal O1-M2.

Conclusion

Certains patients sont identifiés avec une bonne précision comme covid long par l’IA et d’autres patients sont plus difficile à classifier.