Une étude pionnière a montré que la technologie d’apprentissage automatique pourrait transformer la façon dont l’apnée obstructive du sommeil (AOS) est identifiée et gérée – aidant ainsi le NHS à réduire les temps d’attente et les coûts grâce à une analyse à domicile utilisant uniquement un smartphone.
La recherche, dirigée par PFL Santé en collaboration avec le Université de Sheffielda développé un système d'apprentissage automatique qui analyse les enregistrements de ronflements pour prédire si un patient est susceptible d'en bénéficier dispositif oral (OD) thérapie. Utilisation de PFL Healthcare SonSommeil app, le système interprète les schémas de ronflement collectés sur plusieurs nuits et fournit des informations prédictives sur l’adéquation du traitement – sans avoir besoin d’études invasives du sommeil en milieu hospitalier.
Une estimation 1,5 million de personnes au Royaume-Uni vit peut-être avec un AOS non diagnostiqué. Bien que les appareils oraux puissent aider entre 50% et 70% des patients, l'identification de ceux qui répondront le mieux a toujours nécessité des études nocturnes et gourmandes en ressources, ce qui coûte en moyenne au NHS 217 £ par séance et s'ajoutant à des listes d'attente déjà longues.
Dans cette étude, le modèle d'apprentissage automatique a analysé les données sur le ronflement de 934 participants. Avec au moins sept nuits d'enregistrements, il a prédit l'efficacité de la DO avec 80 % de sensibilité et 74 % de spécificité – démontrant comment l’analyse sur plusieurs nuits offre une image plus représentative de la santé du sommeil que les tests traditionnels sur une seule nuit.
Recherches à l’appui publiées parallèlement à ces travaux examinés variabilité nocturne dans l’indice d’apnée-hypopnée (IAH) et son impact sur la précision du diagnostic. Les résultats renforcent la valeur d'une évaluation sur plusieurs nuits basée sur l'apprentissage automatique : en comprenant les schémas « signatures » d'une personne en matière de sommeil et de respiration, les cliniciens peuvent acquérir des informations plus approfondies pour guider un traitement personnalisé.
Sam Johnson, Le responsable de la recherche chez PFL Healthcare a déclaré : « L'identification précise des patients qui répondront au traitement par dispositif oral a toujours été un goulot d'étranglement dans les soins de l'AOS. Cette recherche montre comment l'analyse par apprentissage automatique peut la rendre beaucoup plus simple, abordable et évolutive. »
Ensemble, ces études suggèrent que Dépistage à domicile basé sur l'apprentissage automatique pourrait rationaliser les parcours de traitement – en aidant les cliniciens à identifier plus rapidement les candidats OD appropriés, à réduire les références inutiles et à améliorer les résultats pour les patients.