Détection automatique des phases d’éveil/sommeil en pédiatrie à partir d’enregistrements audio

Abstract

Objectif

En France, les structures pédiatriques réalisant une polygraphe (PG) respiratoire du sommeil sont rares, impliquant un délai d’examen souvent déraisonnable avec une perte de chance pour l’enfant atteint de SAS. La présente étude ouvre la voie à une assistance à la lecture des enregistrements PG, dans l’objectif de réduire ces délais. Nous nous intéressons à la détection automatique des phases d’éveil/sommeil. Pour ce faire, nous choisissons d’exploiter le son (NOX®), qui est le signal le plus fiable chez l’enfant. La détection des phases d’éveil à partir d’enregistrements audio reste un défi technologique et a été très peu étudiée sur des cohortes pédiatriques.

Méthodes

La cohorte étudiée est constituée de 1388 enfants âgés de 1 an et demi à 17 ans, dont 62 % de garçons, avec un IMC moyen de 19,82. Les antécédents médicaux des participants sont variés. Les annotations éveil/sommeil proviennent d’une double lecture par des praticiens certifiés du sommeil. Après expérimentation, le modèle de machine learning retenu est XGBoost, reconnu pour sa robustesse et l’explicabilité de ses résultats. Pour l’entraînement, un échantillon aléatoire de 500 individus, représentant 8150 heures d’audio, a été utilisé. Le son a été découpé en époques standards et un ensemble d’attributs temporels et fréquentiels a été extrait.

Résultats

Une fois le modèle entraîné dans les conditions décrites, il a été testé sur un autre échantillon aléatoire de 500 individus, atteignant une accuracy de 92,1 %. Cette performance est au moins équivalente à celle rapportée dans la littérature sur les cohortes adultes plus petites et moins variées.

Conclusion

La détection automatique des phases d’éveil et de sommeil à partir d’enregistrements audio chez les enfants semble prometteuse. Nos résultats ouvrent la voie à une réduction significative des délais d’examen, facilitant la prise en charge des enfants atteints de SAS.