Des chercheurs de l’Icahn School of Medicine ont mis au point un puissant outil d’intelligence artificielle basé sur la même architecture de transformation que celle utilisée par les grands modèles de langage tels que ChatGPT, afin de traiter une nuit entière de sommeil. À ce jour, il s’agit de l’une des études les plus importantes, qui analyse 1 011 192 heures de sommeil. Le modèle, appelé Patch-Foundational-Transformer for Sleep (PFTSleep), analyse les ondes cérébrales, l’activité musculaire, le rythme cardiaque et les schémas respiratoires afin de classer les stades du sommeil plus efficacement que les méthodes conventionnelles, d’optimiser l’analyse du sommeil, de réduire la variabilité et de soutenir les futurs outils cliniques de détection des troubles du sommeil et d’autres risques pour la santé. Les détails de leurs conclusions ont été publiés dans l’édition en ligne de la revue « Sleep ».

Domaines potentiels d’application de l’IA

L’intelligence artificielle peut apporter une contribution significative à la médecine du sommeil. L’IA dans le domaine du sommeil a des applications potentielles dans trois domaines clés :

• Applications cliniques: Dans le cadre clinique, les technologies basées sur l’IA permettent une analyse complète des données, une reconnaissance sophistiquée des formes et l’automatisation du diagnostic, tout en traitant simultanément des problèmes chroniques tels que les troubles respiratoires du sommeil. Malgré des débuts modestes, l’utilisation de l’IA peut améliorer l’efficacité et l’accès aux patients, ce qui peut contribuer à réduire l’épuisement des professionnels de la santé.
• Gestion du mode de vie: L’intégration de l’IA présente également des avantages évidents pour la gestion du mode de vie grâce à l’utilisation de la technologie du sommeil grand public. Ces dispositifs se présentent sous diverses formes, telles que des trackers de fitness, des applications pour smartphone et des bagues intelligentes, et contribuent à améliorer la santé du sommeil en le suivant, en l’évaluant et en l’améliorant. La technologie du sommeil portable et les recommandations de style de vie basées sur les données peuvent permettre aux patients de jouer un rôle actif dans la gestion de leur santé, comme le montre une récente enquête de l’AASM dans laquelle 68 % des adultes qui ont utilisé un tracker de sommeil ont déclaré avoir changé de comportement sur la base des informations obtenues. Toutefois, comme ces applications pilotées par l’IA deviennent de plus en plus intuitives, un dialogue permanent entre les patients et les cliniciens sur le potentiel et les limites de ces innovations reste essentiel.
• Santé de la population: Au-delà du cadre des soins individuels, la technologie de l’IA ouvre la voie à une nouvelle approche de la santé publique en ce qui concerne le sommeil. L’IA a le potentiel passionnant de synthétiser les données environnementales, comportementales et physiologiques, contribuant ainsi à des interventions éclairées au niveau de la population et comblant les lacunes existantes en matière de soins de santé.

Une nouvelle technique optimise l’évaluation du sommeil et soutient les futurs outils cliniques de détection des troubles du sommeil et d’autres risques pour la santé

L’évaluation actuelle du sommeil repose souvent sur des experts humains qui évaluent manuellement de courts segments de données sur le sommeil, ou sur des modèles d’intelligence artificielle incapables d’analyser la nuit entière d’un patient. Cette nouvelle approche, développée à partir de milliers d’enregistrements du sommeil, offre une vision plus complète. Entraîné sur des données de sommeil complètes, le modèle peut détecter des schémas de sommeil tout au long de la nuit et à travers différentes populations et environnements, fournissant une méthode standardisée et évolutive pour la recherche sur le sommeil et l’utilisation clinique, affirment les chercheurs. « Il s’agit d’un pas en avant dans l’évaluation et l’interprétation du sommeil par l’IA », déclare le premier auteur, Benjamin Fox, étudiant en doctorat à la Icahn School of Medicine at Mount Sinai dans le cadre du programme de formation en intelligence artificielle et en technologies émergentes. L’utilisation de l’IA de cette manière permet de déduire directement des caractéristiques cliniques pertinentes à partir des données de signaux d’études du sommeil pour les utiliser dans la notation du sommeil et, à l’avenir, dans d’autres applications cliniques telles que la détection de l’apnée du sommeil ou l’évaluation des risques pour la santé liés à la qualité du sommeil.

Le modèle a été entraîné sur un vaste ensemble de données d’études du sommeil (polysomnogrammes), qui mesurent des signaux physiologiques clés, notamment l’activité cérébrale, le tonus musculaire, le rythme cardiaque et les schémas respiratoires. Contrairement aux modèles d’IA classiques qui n’analysent que de courts segments de 30 secondes, ce nouveau modèle prend en compte l’ensemble d’une nuit de sommeil, ce qui permet de saisir des schémas plus détaillés et plus nuancés. En outre, le modèle est formé par une méthode connue sous le nom d’auto-supervision, qui permet d’apprendre des caractéristiques cliniques pertinentes à partir de signaux physiologiques sans qu’il soit nécessaire d’étiqueter les résultats par un être humain. « Nos résultats suggèrent que l’IA pourrait transformer la façon dont nous examinons et comprenons le sommeil », déclare le co-auteur principal correspondant, Ankit Parekh, PhD, professeur adjoint de médecine (pneumologie, soins intensifs et médecine du sommeil) à l’Icahn School of Medicine de Mount Sinai et directeur du groupe d’analyse du sommeil et du rythme circadien à Mount Sinai.  »

Le prochain objectif des chercheurs est d’affiner la technologie pour des applications cliniques, par exemple pour identifier plus efficacement les risques pour la santé liés au sommeil. Les chercheurs soulignent que si cet outil d’IA est prometteur, il ne peut pas remplacer l’expertise clinique. Au contraire, il est conçu comme une aide précieuse pour les spécialistes du sommeil et pour accélérer et normaliser l’analyse du sommeil. L’équipe prévoit ensuite d’orienter ses recherches vers l’élargissement des capacités au-delà de la classification des stades du sommeil, vers la détection des troubles du sommeil et la prédiction des résultats pour la santé.