Une équipe de chercheurs dirigée par Mount Sinai a amélioré un algorithme basé sur l’intelligence artificielle (IA) pour analyser les enregistrements vidéo de tests cliniques du sommeil, améliorant ainsi le diagnostic précis d’un trouble du sommeil courant affectant plus de 80 millions de personnes. les gens dans le monde. Les résultats de l’étude ont été publiés dans la revue Annales de neurologie le 9 janvier.
Le trouble du comportement en sommeil paradoxal (RBD) est un trouble du sommeil qui provoque des mouvements anormaux ou des actes physiques en dehors des rêves, pendant la phase de mouvements oculaires rapides (REM). Le RBD qui survient chez des adultes par ailleurs en bonne santé est appelé RBD « isolé ». Elle touche plus d’un million de personnes aux États-Unis et, dans presque tous les cas, constitue un signe précoce de la maladie de Parkinson ou de démence.
Le RBD est extrêmement difficile à diagnostiquer car ses symptômes peuvent passer inaperçus ou être confondus avec d’autres maladies. Un diagnostic définitif nécessite qu’une étude du sommeil, connue sous le nom de polysomnogramme vidéo, soit réalisée par un professionnel de la santé dans un établissement doté d’une technologie de surveillance du sommeil. Les données sont également subjectives et peuvent être difficiles à interpréter universellement en fonction de variables multiples et complexes, notamment les stades de sommeil et la quantité d’activité musculaire. Bien que les données vidéo soient régulièrement enregistrées lors d’un test de sommeil, elles sont rarement examinées et sont souvent supprimées une fois le test interprété.
Des travaux antérieurs limités dans ce domaine suggèrent que des caméras 3D de qualité recherche pourraient être nécessaires pour détecter les mouvements pendant le sommeil, car des draps ou des couvertures couvriraient l’activité. Cette étude est la première à décrire le développement d’une méthode d’apprentissage automatique automatisée qui analyse les enregistrements vidéo régulièrement collectés avec une caméra 2D lors des tests de sommeil nocturne. Cette méthode définit également des « classificateurs » ou caractéristiques de mouvements supplémentaires, ce qui entraîne un taux de précision de détection RBD de près de 92 %.
Cette approche automatisée pourrait être intégrée au flux de travail clinique lors de l’interprétation des tests de sommeil afin d’améliorer et de faciliter le diagnostic et d’éviter les diagnostics manqués. Cette méthode pourrait également être utilisée pour éclairer les décisions de traitement en fonction de la gravité des mouvements affichés lors des tests de sommeil et, à terme, aider les médecins à personnaliser les plans de soins pour chaque patient. »
Emmanuel Durant, MD, Auteur correspondant, Professeur agrégé de neurologie (troubles du mouvement) et de médecine (pulmonaire, soins intensifs et médecine du sommeil), à l’École de médecine Icahn du Mont Sinaï
L’équipe du Mont Sinaï a reproduit et élargi une proposition d’analyse automatisée par apprentissage automatique des mouvements pendant les études sur le sommeil, créée par des chercheurs de l’Université médicale d’Innsbruck en Autriche. Cette approche utilise la vision par ordinateur, un domaine de l’intelligence artificielle qui permet aux ordinateurs d’analyser et de comprendre des données visuelles, notamment des images et des vidéos. S’appuyant sur ce cadre, les experts du Mont Sinaï ont utilisé des caméras 2D, couramment trouvées dans les laboratoires cliniques du sommeil, pour surveiller le sommeil des patients pendant la nuit. L’ensemble de données comprenait l’analyse des enregistrements dans un centre du sommeil d’environ 80 patients RBD et d’un groupe témoin d’environ 90 patients sans RBD qui souffraient soit d’un autre trouble du sommeil, soit d’aucun trouble du sommeil. troubles du sommeil. Un algorithme automatisé qui calculait le mouvement des pixels entre des images consécutives dans une vidéo était capable de détecter un mouvement pendant le sommeil paradoxal. Les experts ont examiné les données pour extraire le taux, le rapport, l’ampleur et la vitesse des mouvements, ainsi que le rapport d’immobilité. Ils ont analysé ces cinq caractéristiques des mouvements courts pour atteindre la précision la plus élevée jamais atteinte par les chercheurs, 92 %.
Des chercheurs de l’École polytechnique fédérale de Lausanne (École Polytechnique Fédérale de Lausanne) à Lausanne, en Suisse, ont contribué à l’étude en partageant leur expertise en vision par ordinateur.
