Comparaison de cinq classificateurs de stades de sommeil chez des patients insomniaques avec la plate-forme Pandore-IA

Abstract

Objectif

Une classification précise des stades de sommeil est essentielle dans le diagnostic et le traitement des troubles du sommeil, en particulier l’insomnie. Cette étude vise à comparer les performances et à évaluer la capacité de généralisation de cinq classificateurs automatiques de stades de sommeil parmi les plus récents – Usleep, STAGES, GSSC, Luna et Yasa – sur un ensemble de données composé majoritairement de patients souffrant d’insomnie et de mauvaise perception du sommeil (SSM).

Méthodes

L’ensemble de données comprenait 925 sujets, répartis en trois groupes : 690 patients atteints d’insomnie, 214 patients souffrant de SSM, et 18 bons dormeurs. Des données de polysomnographie ont été collectées principalement à l’aide du NOX-A1 de Resmed (97 %). La performance de chaque classificateur a été évaluée en calculant les scores F1 macro, ainsi que les scores F1 pour chaque stade de sommeil.

Résultats

Les scores F1 macro des classificateurs étaient les suivants : GSSC (0,66), Usleep (0,62), Luna (0,56), STAGES (0,53), et Yasa (0,51) (Fig. 1). Les scores F1 par stade de sommeil pour GSSC étaient les plus élevés dans l’ensemble (veille : 0,83, N1 : 0,22, N2 : 0,80, N3 : 0,71, REM : 0,76). Usleep a obtenu des résultats comparables, mais un score réduit en N3 (0,56). Luna, STAGES, et Yasa ont montré des performances plus faibles. Yasa a obtenu les scores les plus bas pour la plupart des stades, avec une performance particulièrement faible en N1 (0,12) et REM (0,35). STAGES a obtenu le score le plus bas de tous les classificateurs pour N3 (0,39).

Conclusion

Le GSSC a démontré le meilleur score F1 macro et une performance régulière à travers tous les stades de sommeil, ce qui en fait le classificateur le plus efficace pour cet ensemble de données. Usleep a également montré des résultats prometteurs, notamment dans la détection du REM, tandis que Luna, STAGES, et Yasa ont présenté des performances inférieures. Les résultats soulignent la variabilité des performances des classificateurs et mettent en évidence le besoin de modèles robustes, adaptés aux populations insomniaques, où l’exactitude de la classification est cruciale pour un diagnostic et de traitement précis.