Apprentissage automatique polysomnographique

Rapports scientifiques volume 13, Numéro d'article : 9120 (2023) Citer cet article

Détails des métriques

La somnolence diurne excessive (EDS) entraîne des difficultés de concentration et une fatigue continue pendant la journée. Dans le cadre clinique, l'évaluation et le diagnostic de l'EDS reposent principalement sur des questionnaires subjectifs et des rapports verbaux, ce qui compromet la fiabilité du diagnostic clinique et la capacité à discerner de manière robuste la candidature aux thérapies disponibles et à suivre la réponse au traitement. Dans cette étude, nous avons utilisé un pipeline de calcul pour l'analyse automatisée, rapide, à haut débit et objective des données d'encéphalographie (EEG) précédemment collectées pour identifier des biomarqueurs de substitution pour l'EDS, définissant ainsi les changements quantitatifs de l'EEG chez les individus avec une échelle de somnolence Epworth élevée (ESS) (n = 31), par rapport à un groupe d'individus avec un faible ESS (n = 41) à la Cleveland Clinic. Les époques d'EEG analysées ont été extraites d'un grand registre de polysomnogrammes nocturnes pendant la période d'éveil la plus proche. Le traitement du signal de l'EEG a montré des caractéristiques EEG significativement différentes dans le groupe ESS faible par rapport à l'ESS élevé, y compris une puissance accrue dans les bandes alpha et bêta et une atténuation dans les bandes delta et thêta. Nos algorithmes d'apprentissage automatique (ML) entraînés sur la classification binaire de l'ESS élevé et faible ont atteint une précision de 80,2 %, une précision de 79,2 %, un rappel de 73,8 % et une spécificité de 85,3 %. De plus, nous avons exclu les effets des variables cliniques confondantes en évaluant la contribution statistique de ces variables sur nos modèles ML. Ces résultats indiquent que les données EEG contiennent des informations sous forme d'activité rythmique qui pourraient être exploitées pour l'évaluation quantitative de l'EDS à l'aide de ML.

La somnolence diurne excessive (EDS) se produit lorsque rester éveillé ou alerte est un défi progressif pour l'individu. Cette condition est non seulement inhérente aux troubles d'hypersomnie tels que la narcolepsie, l'hypersomnie idiopathique et les troubles respiratoires du sommeil, mais peut également être associée à une gamme de facteurs cliniques, y compris des maladies métaboliques et neurologiques, se traduisant finalement par une altération des activités volontaires pendant la journée ou la nuit1. L'EDS est devenu une préoccupation publique importante lorsqu'il est associé à la fatigue, coûtant plus de 135 milliards de dollars par an en perte de productivité liée à la santé aux États-Unis2. En plus du coût financier, la perception individuelle de la difficulté à se concentrer et de la détérioration de la réponse cérébrale aux stimulations sonores, visuelles et autres motive la recherche d'un biomarqueur non invasif pouvant aider à identifier l'EDS pour fournir un traitement efficace. Cherchant à trouver des associations entre la somnolence et sa dynamique entrelacée dans le système nerveux central (SNC), nous avons testé l'hypothèse selon laquelle les données EEG contiennent des informations sous forme d'activité rythmique qui pourraient être exploitées pour l'évaluation quantitative de l'EDS à l'aide de l'apprentissage automatique (ML).

La somnolence diurne affecte le système nerveux central et entraîne des modifications des fonctions et des rythmes cérébraux. Des études antérieures ont rapporté une désynchronisation entre les hémisphères gauche et droit sous fatigue mentale3, et les données d'imagerie suggèrent une connectivité fonctionnelle altérée entre le thalamus et le cortex4. En fait, l'EEG a montré des résultats prometteurs dans l'identification des biomarqueurs EDS, en particulier pour la classification de la fatigue par rapport à l'état d'alerte lors d'activités telles que la conduite à l'aide d'appareils EEG portables5 et pour prédire le temps de réaction au volant6. En clinique, les symptômes subjectifs de somnolence peuvent être évalués par l'échelle de somnolence d'Epworth (ESS), qui est l'auto-évaluation de l'état de la pratique pour quantifier l'EDS ou la propension à somnoler, et en général, elle est fortement corrélée aux mesures de somnolence standard telles que le test de latence d'endormissement multiple7. Cependant, les méthodes de diagnostic actuelles restent essentiellement subjectives, car elles reposent sur des questionnaires et des rapports verbaux.

Dans cette étude, nous avons enregistré l'EEG à l'état de repos de sujets humains éveillés obtenus à partir du registre des polysomnogrammes nocturnes de la Cleveland Clinic et prétraité les données à l'aide d'un algorithme de détection d'artefacts automatisé que notre équipe a précédemment développé8. Suite à une approche guidée par les statistiques pour la sélection des caractéristiques EEG, nous avons formé un algorithme ML pour effectuer une classification binaire de l'EDS faible par rapport à l'EDS élevé. Nous complétons en outre notre étude par une analyse statistique de la contribution des variables cliniques confondantes à notre classificateur binaire ML.

Nous avons tiré parti du Cleveland Clinic Sleep Registry, une collection de données physiologiques multimodales, y compris des études EEG continues sur le sommeil pendant la nuit. Les données de ce référentiel biophysiologique ont été extraites aux fins de cette étude en mettant l'accent sur les polysomnogrammes nocturnes ou les études sur le sommeil nocturne fractionné. Nous avons extrait les données de polysomnogramme d'une initiative fusionnée des centres de sommeil distribués de la Cleveland Clinic pour capturer les personnes souffrant d'hypersomnolence sévère et celles ne présentant aucun symptôme d'EDS. Pour servir d'échantillon analytique pour le travail, nous avons identifié sur un total de 72 patients, 31 patients qui avaient un SED sévère, défini par un ESS supérieur ou égal à 20 et 41 patients qui n'avaient pas d'EDS, défini par un ESS inférieur à 5. Exempt Human Subject Research, qui a accordé une dispense de consentement éclairé.

Les études de polysomnogramme ont été menées conformément aux directives de l'American Academy of Sleep Medicine (AASM) à l'aide du logiciel Polysmith version 10 (Nihon Kohden). Les signaux ont été enregistrés à l'aide d'un montage EEG standard 10–20. Seuls 6 canaux référencés ont été sélectionnés pour l'analyse, chez certains sujets, les canaux individuels sont référencés par 'M1' ou 'M2'. Les numéros de canaux impairs (situés sur le côté gauche du cerveau) sont référencés par M1 et les numéros de canaux pairs (situés sur le côté droit du cerveau) sont référencés par M2 dans un cadre idéal, rarement en cas de dysfonctionnement de référence, l'autre référence latérale a été utilisée. Les canaux utilisés sont 'F3', 'F4', 'C3', 'C4', 'O1' et 'O2'. L'EEG a été scanné et seul le signal le plus propre de 3 minutes continues d'intervalle entre "l'extinction des lumières" et la première étape du sommeil "N1" a été sélectionné, c'est la période que nous définissons comme des époques "éveillées" dans le contexte de cette étude. Le signal le plus propre est basé sur le nombre d'artefacts. "Lumières éteintes" est un événement de journal ajouté par le technicien et cela signifie que le dépannage et l'étalonnage biologique ont été effectués, et que l'étude du sommeil est prête à être enregistrée. Les époques éveillées s'alignent sur les directives de l'AASM, qui exigent que plus de 50 % de l'époque consiste en une activité de fréquence alpha.

Le prétraitement des données EEG, l'extraction des caractéristiques, les statistiques et le ML ont été effectués à l'aide de MATLAB (MathWorks). Étant donné que la somnolence est une caractéristique de l'éveil, seuls les EEG pendant l'état de veille au repos ont été analysés, définis comme le temps d'enregistrement EEG lorsque les sujets étaient éveillés avant l'étude du sommeil.

Les époques "éveillées" sélectionnées ont été notées et choisies manuellement comme éveil et annotées électroniquement dans le fichier EEG. Les études sur le sommeil menées au Cleveland Clinic Sleep Disorders Laboratory ont été notées manuellement pour la stadification du sommeil, y compris le sommeil et l'éveil, à l'aide des règles de notation de l'American Academy of Sleep Medicine. Après cette étape, l'algorithme développé était basé sur des données EEG extraites automatiquement des époques d'éveil des études de sommeil. A cet égard, nous avons considéré l'analyse EEG comme étant automatisée. Plus de 50 % de l'époque était constituée d'activité de fréquence alpha sans microsommeil. L'EEG a été recueilli à une fréquence d'échantillonnage de 200 Hz. Un filtre passe-haut avec une fréquence de bande passante de 1 Hz et un filtre coupe-bande avec une bande d'arrêt de 57,5 à 62,5 Hz ont été appliqués à tous les enregistrements. Tous les enregistrements EEG ont d'abord été inspectés visuellement pour confirmer la qualité globale du signal pour chaque canal ; les canaux considérés comme de qualité faible ou irrécupérable ont été exclus de l'étude. Les formes d'onde de chaque canal ont ensuite été divisées en époques 1 s, et chaque époque a été testée pour la présence d'artefacts à l'aide d'une machine à vecteurs de support (SVM)8 préalablement validée. Les époques contenant des artefacts ont été exclues.

À partir des époques sans artéfacts restantes de chaque enregistrement, les caractéristiques suivantes ont été extraites : PSD par bande pour tous les canaux et couplage phase-amplitude (PAC) par bande. Pour créer le PSD par bande, un périodogramme a été collecté à partir d'époques sans artefact pour chaque canal, puis ces périodogrammes ont été moyennés ensemble pour chaque canal au sein de chaque sujet. Ces périodogrammes moyens ont été normalisés en divisant chaque case de fréquence par la somme de toutes les cases de 3 à 30 Hz. La PSD normalisée a été utilisée pour calculer la PSD par bande en prenant la moyenne de tous les bacs dans chacune des quatre bandes de fréquences suivantes : Delta (1–4 Hz), Theta (5–9 Hz), Alpha (10–13 Hz), Beta (14–32 Hz) et Gamma faible (33–52 Hz). Cela a donné 5 fonctionnalités PSD pour chaque canal inclus.

La PSD bande par canal est similaire à la PSD par bande. La seule différence est que les canaux ne sont pas moyennés ; chaque canal est considéré séparément. Cela a donné un total de 30 fonctionnalités (5 bandes × 6 canaux) à prendre en compte.

Le PAC a été calculé à l'aide de la méthode de l'indice de modulation (IM)9. Les fréquences centrales utilisées pour la phase comprenaient tous les nombres pairs de 2 à 20. Les fréquences centrales utilisées pour l'amplitude comprenaient tous les multiples de 3 de 30 à 54. L'IM a été mesuré pour chaque paire de fréquences de phase et d'amplitude (90 paires au total) pour chaque canal, y compris uniquement les points temporels pour lesquels il y avait au moins 5 époques yeux ouverts consécutives sans artéfact. Cela a donné une matrice MI 9 × 10, pour chaque canal de chaque sujet, chaque ligne correspondant à une fréquence centrale de phase et chaque colonne correspondant à une fréquence centrale d'amplitude. Cette matrice MI a été convertie en PAC par bande pour les 4 paires de bandes suivantes : Delta—gamma bas, Thêta—gamma bas, Alpha—gamma bas et Bêta—gamma bas. D'autres PAC par bande ont été calculés pour les 4 paires de bandes suivantes : Delta—Gamma moyen, Thêta—Gamma moyen, Alpha—Gamma moyen et Beta—Gamma moyen. Cette conversion a été réalisée en faisant la moyenne sur les régions appropriées de la matrice MI. Cela a donné 4 fonctionnalités PAC pour chaque canal et un maximum de 24 fonctionnalités PAC par sujet (4 paires de bandes × 6 canaux).

La cohérence dans la bande a été calculée à partir de chacune des 15 paires de canaux uniques en faisant la moyenne de la cohérence (fonction MATLAB mscohere) de chaque époque sans artefact pendant les enregistrements pour les deux canaux dans une paire donnée. Cette cohérence moyenne a été divisée en cinq bandes de la même manière que les PSD. Cela a donné 5 caractéristiques de cohérence pour chaque paire de canaux et un maximum de 75 caractéristiques de cohérence par sujet (5 bandes × 15 paires de canaux), les valeurs de cohérence n'ont pas été calculées à partir des paires de canaux pour lesquelles l'un ou les deux canaux incluaient des artefacts.

Nous avons utilisé des tests t bilatéraux appariés pour comparer la densité spectrale de puissance (PSD) par bande entre les groupes ESS élevé et faible ESS10. Nous avons utilisé des tests de somme de rang Wilcoxon bilatéraux pour comparer le couplage phase-amplitude (PAC) par bande des deux groupes pour chacune des 4 paires de bandes et 6 canaux. Nous avons choisi un test statistique non paramétrique pour le PAC car les valeurs sont contraintes entre 0 et 1 et sont donc moins susceptibles de suivre une distribution normale, comme l'exige le test t de Student. La signification statistique a été établie partout à la valeur p < 0,05. Étant donné que des tests individuels ont été effectués et que le but des tests statistiques était principalement la sélection de caractéristiques pour le ML ultérieur (plutôt que de tester une hypothèse nulle), il n'y a pas eu d'ajustement pour les comparaisons multiples11,12. Contrairement aux tests familiaux simultanés avec une hypothèse nulle conjointe comprenant deux hypothèses nulles ou plus, les tests individuels sont utilisés pour prendre une décision concernant une hypothèse nulle. Étant donné que chaque test ne fournit qu'une seule occasion de commettre une erreur de type I, le niveau alpha ne nécessite pas d'abaissement.

Bien qu'il soit courant dans la littérature d'inclure des facteurs de confusion comme entrée dans un modèle de régression pour un ajustement supplémentaire, cette approche est inadéquate dans les classificateurs ML qui peuvent apprendre des relations non linéaires complexes entre l'entrée et la sortie. Par conséquent, nous avons effectué l'analyse post-hoc décrite dans13, qui propose de contrôler les facteurs de confusion en utilisant la régression traditionnelle pour comparer la mesure dans laquelle une prédiction ML formée elle-même peut expliquer la variable cible, contrairement à la performance indépendante des variables confondantes.

Notre population d'étude était globalement d'âge moyen (âge moyen 54 ans) avec une répartition relativement égale des hommes et des femmes, une diversité raciale (34,7 % d'Afro-Américains) et un léger degré de troubles respiratoires du sommeil (indice d'apnée-hypopnée = 13,4). Ceux qui avaient un degré plus élevé d'EDS étaient plus susceptibles d'être légèrement plus jeunes, de sexe féminin et plus obèses avec un temps de sommeil total plus long et un pourcentage plus faible de stade de sommeil N1. Il convient de noter que, comme reflet de notre conception pré-spécifiée, ceux avec un degré élevé d'EDS avaient un ESS moyen de 21 ± 1, en revanche, ceux sans EDS avaient un ESS moyen de 2 ± 1. Des informations démographiques détaillées, les caractéristiques du sommeil et les antécédents médicaux de l'ensemble des patients et leur division ultérieure en groupes ESS élevés et ESS faibles sont présentés dans le tableau 1.

Parmi les fonctionnalités EEG répertoriées ci-dessus dans les méthodes, 3 fonctionnalités ont été sélectionnées pour créer un ensemble de fonctionnalités pour la formation d'algorithmes de classification binaire qui se sont révélés significativement différents entre les groupes ; ceux-ci comprenaient 2 provenant de la cohérence dans la bande générée par les paires de canaux O2 - C4 pour les bandes Delta et Theta, et le canal O2 pour la bande Beta en PSD.

Suivant les tendances récentes des meilleures pratiques ML14, plusieurs algorithmes de classification ML traditionnels ont été pris en compte, utilisant la validation croisée et une stratégie de recherche sur grille pour trouver leurs hyperparamètres optimaux. Les meilleurs résultats ont été obtenus à partir de l'algorithme des k plus proches voisins (KNN). Pour nous assurer que les fractionnements de données étaient correctement répartis entre les plis, nous avons validé le classificateur à l'aide d'une validation croisée stratifiée K en utilisant k = 5. Dans notre ensemble de données avec n = 31 pour le groupe ESS élevé et n = 41 pour le groupe ESS faible, nous avons calculé les métriques suivantes pour la validation : précision, aire sous la courbe caractéristique de fonctionnement du récepteur (AUC-ROC), précision, spécificité et rappel. La précision a été calculée dans la validation croisée k-folds en comptant le nombre d'étiquettes prédites hors échantillon qui correspondaient à l'étiquette réelle de l'échantillon, et en divisant ce total par le nombre d'échantillons.

La densité spectrale pour les bandes de puissance delta, theta, alpha et bêta a montré une différence statistiquement significative dans la puissance EEG moyenne en ESS élevé par rapport au groupe ESS faible (Fig. 1), y compris. , P <0,001) et une diminution de l'alpha (0,260 ± 0,011 en ESS élevé, 0,318 ± 0,007 en faible ESS, P <0,001) et bêta (0,087 ± 0,003 en ESS élevé, 0,112 ± 0,007 en ESS faible, P <0,001). L'analyse de la puissance dans les 6 canaux individuels a en outre montré que des changements significatifs n'étaient pas localisés dans des zones cérébrales particulières. Des différences significatives dans les bandes de puissance delta, alpha et bêta dans chaque canal EEG ont été trouvées entre les groupes ESS faible et élevé (Fig. 2).

Densité spectrale de puissance (moyenne de 6 canaux EEG) chez les sujets ESS élevés (n = 31) et ESS faibles (n = 41) dans la gamme de fréquences 0-50 Hz (rangée supérieure). Puissance moyenne dans les bandes de fréquences delta (1-4 Hz), thêta (5-9 Hz), alpha (10-13 Hz), bêta (14-32 Hz) et gamma faible (33-52 Hz) (rangée inférieure).

Les histogrammes montrent la densité spectrale de puissance dans 6 canaux EEG individuels chez des sujets à SSE élevé (n = 31) et à SSE faible (n = 41) dans les bandes de fréquences delta (1-4 Hz), thêta (5-9 Hz), alpha (10-13 Hz), bêta (14-32 Hz) et gamma faible (33-52 Hz). La carte thermique montre les valeurs p de test t correspondantes pour les canaux individuels dans chaque bande (la teinte rouge indique p <0,05, la cellule en surbrillance indique une fonctionnalité sélectionnée pour la formation d'un algorithme ML).

Pour le couplage phase-amplitude (PAC) dans 6 canaux EEG individuels, il n'y avait pas de différence significative entre gamma faible et delta, thêta, alpha, bêta respectivement, ainsi qu'entre gamma moyen et delta, thêta, alpha, bêta respectivement (Fig. 3).

Couplage phase-amplitude (PAC) dans 6 canaux EEG individuels chez des sujets à ESS élevé (n = 31) et à faible ESS (n = 41) entre les gamma faibles et delta, thêta, alpha, bêta respectivement (rangée supérieure), ainsi qu'entre gamma moyen et delta, thêta, alpha, bêta respectivement (rangée inférieure). Aucune différence statistiquement significative n'a été notée entre les groupes dans aucun canal individuel.

Dans la Fig. 4, nous avons comparé la cohérence dans 6 canaux EEG individuels sur chaque bande de fréquence. Une différence significative a été trouvée pour les groupes ESS élevé et faible ESS et entre la cohérence dans certains des canaux individuels (C4 et O2).

Cohérence dans 6 canaux EEG individuels chez des sujets à SSE élevé (n = 31) et à SSE faible (n = 41). Les valeurs sont symétriques sur une diagonale (les 2 cellules en surbrillance indiquent les caractéristiques qui ont été sélectionnées pour l'apprentissage d'un algorithme ML).

Nous avons calculé PSD par Hz (Fig. 5), ce qui est similaire à Band by Channel (Fig. 2 en bas à droite), sauf qu'au lieu de bandes, nous utilisons des intervalles de 1 à 16 Hz. Cela a donné 96 caractéristiques (16 Hz × 6 canaux) à prendre en compte. Dans la Fig. 2 (carte thermique (en bas à droite)), nous avons comparé la PSD moyenne dans 6 canaux EEG individuels sur chaque bin de fréquence. Une différence significative a été trouvée entre les groupes ESS élevé et faible ESS dans le canal O2 en bande bêta.

La carte thermique montre les valeurs p du test t pour les canaux individuels, chez les sujets à ESS élevé (n = 31) et à faible ESS (n = 41), dans chaque tranche de fréquence de 1 Hz à 16 Hz. (la teinte rouge indique p<0,05).

Les 3 caractéristiques générées à partir de la PSD et de l'analyse de cohérence ont été utilisées pour former le classificateur binaire k-NN de l'ESS élevé par rapport à l'ESS faible. Notre modèle a atteint une précision de 80,2 %, une AUC-ROC de 79,5 %, une précision de 79,2 %, un rappel de 73,8 % et une spécificité de 85,3 %.

Dans notre analyse des variables confondantes qui pourraient influencer nos résultats EEG, nous avons comparé les prédictions de notre classificateur ML avec les variables confondantes potentielles : l'âge, l'IMC et le sexe. Après avoir formé notre modèle, dans chaque pli de notre validation croisée, nous avons utilisé un modèle linéaire généralisé pour prédire l'EDS sur l'ensemble de test dans 3 scénarios : en utilisant uniquement notre sortie ML, en utilisant uniquement les variables confondantes, en utilisant à la fois les variables confondantes et la sortie ML. Pour agréger les résultats pour les 5 plis, nous avons calculé le pseudo-R2 moyen et les valeurs p moyennes. Sur la figure 6, nous montrons le pseudo-R2 moyen, alors que notre ML n'a atteint que 41 % et que la confusion n'a atteint que 8 %. Lorsque l'on combine à la fois le ML et les variables confusionnelles, on atteint 56 %. Le tableau 2 montre les valeurs p moyennes de la régression linéaire généralisée pour les 3 mêmes scénarios pour chaque variable. Nous avons observé que nous avons un prédicteur statistiquement significatif lorsque seule la sortie ML est utilisée (valeur p <0,05).

Pseudo R² moyen calculé par un modèle linéaire généralisé sur les ensembles de tests de validation croisée pour 3 scénarios : en utilisant uniquement la prédiction de l'apprentissage automatique, en utilisant uniquement les variables confondantes âge, IMC et sexe et en utilisant la combinaison de l'apprentissage automatique et de la confusion.

Cliniquement, l'EDS chevauche d'autres troubles courants du sommeil et de l'humeur qui sont considérés comme causaux à l'EDS, tels que l'apnée obstructive du sommeil (OSA), la narcolepsie, la dépression et les séquelles post-aiguës de COVID-1915, avec une prévalence estimée à 20 % des adultes aux États-Unis16. Ces causes sont généralement mal diagnostiquées ou non diagnostiquées dans la population, même lorsqu'un patient effectue une étude du sommeil7,17.

Plusieurs approches ont été étudiées pour développer un biomarqueur neurophysiologique objectif capable de capturer les symptômes de l'EDS. Par exemple, l'opérateur de rétrécissement et de sélection le moins absolu (LASSO) a été utilisé pour prédire l'ESS à partir des signaux EEG collectés auprès des conducteurs de train, mais avec des degrés de succès variables et nécessitant des techniques de calcul plus complexes par rapport à notre étude, qui était guidée par une approche statistique pour la sélection des caractéristiques ML18. Un autre biomarqueur de la somnolence proposé est le produit du rapport de cotes, calculé à partir des bandes de fréquences delta, thêta, alpha-sigma et bêta des signaux EEG, et son association avec ESS19. Malgré les travaux antérieurs, cependant, la classification directe des SSE élevés ou faibles à l'aide de l'EEG manque de transparence dans l'approche ML.

Dans cette étude, nous démontrons la faisabilité d'un pipeline analytique automatisé, utilisant l'EEG à l'état de repos pendant l'éveil et le ML, pour classer avec précision l'EDS comme faible par rapport à élevé. Nos résultats ont montré que le spectre de puissance moyen sur les canaux EEG chez les patients à faible ESS est significativement amélioré dans les bandes alpha et bêta et atténué dans les bandes delta et thêta par rapport aux sujets à ESS élevé.

Après avoir analysé l'EEG du sommeil dans deux groupes de patients, nous avons identifié des différences significatives dans les bandes de fréquences delta, thêta, alpha et bêta entre ceux qui ont signalé une somnolence élevée et faible. Dans le but d'estimer la somnolence diurne au niveau individuel, nous avons formé un classificateur k-NN atteignant une précision de 80,2 %, une précision de 79,2 %, un rappel de 73,8 % et une spécificité de 85,3 %. Ainsi, notre travail démontre le potentiel de l'analyse EEG pour générer des biomarqueurs de la somnolence diurne excessive et l'utilisation du traitement du signal et du ML pour classer la somnolence au niveau individuel. De plus, nous avons souligné la nouveauté de ces biomarqueurs lorsque nous avons montré que même après contrôle des variables confondantes, les prédicteurs de ML expliquent à eux seuls de manière significative l'EDS.

Ces résultats suggèrent que l'EEG de veille de courte durée, au repos, contient des informations qui pourraient être exploitées pour évaluer de manière fiable l'EDS, améliorant ainsi les soins cliniques. Ces résultats doivent être contextualisés avec la norme historique d'utilisation des schémas EEG pour définir qualitativement et dans une moindre mesure quantitativement les stades du sommeil selon l'American Academy of Sleep Medicine et l'évaluation des symptômes de somnolence diurne excessive avec des tests objectifs chronophages tels que le test de latence de sommeil multiple20.

Nos résultats montrent que les sujets à faible ESS ont une activité EEG plus élevée dans la bande bêta de la région occipitale que les sujets à ESS élevé. Des recherches antérieures ont également mis en évidence les différences significatives entre ces biomarqueurs dans des groupes de patients SED21. D'autres ont suggéré que les mécanismes neuronaux liés aux tâches visuelles et à l'attention pourraient être liés à ces biomarqueurs. Par exemple, une augmentation du temps de réponse pour les tâches visuelles chez les élèves d'une vraie salle de classe est associée à une diminution de la puissance moyenne de base de la bande bêta sur la région occipitale22. De plus, en 23, l'activité des bandes bêta dans la région occipitale était liée à des déficits d'attention chez les sujets âgés, une activité accrue précédant les réponses correctes pour les tâches visuelles.

Certaines limites de notre travail méritent attention. Étant donné que la taille de l'échantillon pourrait être considérée comme relativement petite (n = 72) dans le domaine de l'EEG/ML14, notre modèle bénéficierait d'une validation par rapport à un ensemble de données prospectif selon les meilleures pratiques ML, ainsi que sur différents sites géographiques. Notre approche dépend toujours de l'annotation manuelle de la mise en scène du sommeil, car le pipeline automatisé ne détermine pas les époques "d'éveil". Pourtant, la période de "réveil" est déterminée après avoir scanné les données à la recherche des annotations manuelles de "lumières éteintes", "réveil" et phase de sommeil "N1". De plus, selon l'AASM, les périodes d'éveil peuvent aller de la pleine vigilance au stade précoce de la somnolence. Nous avons également utilisé des techniques de traitement du signal pour extraire les caractéristiques EEG, par exemple la puissance dans les bandes prédéfinies delta, thêta, alpha, bêta et gamma. Cela peut avoir limité notre espace de fonctionnalités pour les biomarqueurs contrairement à d'autres techniques basées sur la formation de modèles d'apprentissage en profondeur directement à partir de signaux bruts EEG24, bien que ces techniques soient non transparentes et plus exigeantes en termes de calcul. Nous reconnaissons également que certaines variables démographiques pourraient avoir un impact sur l'EEG, telles que l'âge25,26,27,28 et le sexe29,30, et nous n'avons pas spécifiquement contrôlé ces paramètres, bien que les valeurs démographiques moyennes soient globalement comparables.

Nous avons choisi les extrêmes de la perception subjective de la propension à somnoler définie par ESS comme cas d'utilisation exploratoire pour le développement d'algorithmes. Les études sur le sommeil n'ont pas été sélectionnées en fonction de l'état d'apnée obstructive du sommeil, mais plutôt les patients ont été le plus souvent référés pour l'étude du sommeil sur la base d'une suspicion d'AOS avec différents niveaux de somnolence autodéclarée. Par conséquent, il existe des possibilités de s'appuyer sur ces travaux à l'avenir en examinant les biomarqueurs basés sur l'EEG qui reflètent le spectre de la somnolence.

Enfin, nous envisageons que notre méthode automatisée et quantitative d'évaluation de l'EDS puisse être opérationnalisée en ajoutant la sortie de notre méthode dans le dossier de santé électronique des patients après avoir effectué un test de polysomnogramme. Les recherches futures devraient se concentrer sur la question de savoir si une telle mesure au point de service pourrait être utilisée pour stratifier les risques des patients afin d'identifier ceux, par exemple, qui pourraient avoir besoin d'une formation sur la somnolence au volant ou pour identifier les phénotypes du sommeil plus sensibles à des interventions spécifiques telles que la pharmacothérapie pour traiter les troubles de l'hypersomnie.

Dans cette étude, nous avons étudié le potentiel d'utilisation des signaux EEG enregistrés pendant la période d'éveil dans les polysomnogrammes comme biomarqueurs de la somnolence diurne excessive. Nous avons identifié des différences significatives dans les bandes de fréquences delta, thêta, alpha et bêta entre ceux qui ont signalé une somnolence élevée par rapport à une somnolence faible mesurée par l'ESS largement utilisé. Dans le but d'estimer la somnolence diurne au niveau individuel, nous avons formé un classificateur k-NN ML qui a atteint une précision de 80,2 %, une précision de 79,2 %, un rappel de 73,8 % et une spécificité de 85,3 % dans une cohorte rétrospective. Après avoir contrôlé les variables de confusion potentielles, nous montrons que cette étude innove en construisant une association directe entre l'EEG et l'ESS. En fin de compte, nous fournissons des techniques puissantes pour les domaines qui peuvent tirer parti de l'analyse EEG avancée, telles que les études EDS sous-diagnostiquées.

Les données qui étayent les conclusions de cette étude et les ensembles de données générés et analysés ne sont pas accessibles au public en raison des préoccupations des sujets humains, mais sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Jaussent, I. et al. Incidence, aggravation et facteurs de risque de somnolence diurne dans une étude longitudinale de 5 ans basée sur la population. Sci. Rep. 7(1), 1372 (2017).

Article ADS CAS PubMed PubMed Central Google Scholar

Ricci, JA et al. Fatigue dans la main-d'œuvre américaine : prévalence et implications pour le temps de travail productif perdu. J. Occup. Environ. Méd. 49(1), 1–10 (2007).

Article MathSciNet PubMed Google Scholar

Jarchi, D., B. Makkiabadi et S. Sanei. Analyse de la fatigue mentale en mesurant la synchronisation des rythmes cérébraux incorporant une décomposition en mode empirique améliorée. En 2010, 2e atelier international sur le traitement cognitif de l'information, pp. 423–427 (2010).

Killgore, WDS et al. La somnolence diurne est associée à une altération de la connectivité thalamocorticale au repos. NeuroReport 26(13), 779–784 (2015).

Article PubMed Google Scholar

Ren, Z. et al. Détection de la fatigue de conduite basée sur l'EEG à l'aide d'une fonction de base radiale de hiérarchie d'apprentissage à deux niveaux. Devant. Neurorobot. 15, 3–3 (2021).

Article Google Scholar

Ko, L.-W. et coll. La reconnaissance du clignement des yeux améliore la prédiction de la fatigue à partir d'un EEG frontal monocanal dans une tâche d'attention soutenue réaliste. J. Neural Eng. 17(3), 036015–036015 (2020).

Article ADS PubMed Google Scholar

Aurora, RN et al. Corréler la somnolence subjective et objective : revisiter l'association à l'aide d'une analyse de survie. Sommeil 34 (12), 1707-1714 (2011).

Article PubMed PubMed Central Google Scholar

Levitt, J. et al. Détection automatisée des artefacts d'électroencéphalographie chez les sujets humains, rongeurs et canins à l'aide de l'apprentissage automatique. J. Neurosci. Méthodes 307, 53–59 (2018).

Article PubMed Google Scholar

Tort, ABL et al. Mesure du couplage phase-amplitude entre des oscillations neuronales de fréquences différentes. J. Neurophysiol. 104(2), 1195-1210 (2010).

Article PubMed PubMed Central Google Scholar

Niven, DJ et al. Études cas-témoins appariées : un examen de la méthodologie statistique rapportée. Clin. Épidémiol. 4, 99 (2012).

Article PubMed PubMed Central Google Scholar

Groenland, S. Objectifs d'analyse, sensibilité au coût d'erreur et piratage d'analyse : considérations essentielles dans les tests d'hypothèses et les comparaisons multiples. Pédiatre Périnat. Épidémiol. 35(1), 8–23 (2021).

Article PubMed Google Scholar

Rubin, M. Quand ajuster l'alpha lors de tests multiples : une prise en compte de la disjonction, de la conjonction et des tests individuels. Synthèse 199, 10969–11000 (2021).

Article Google Scholar

Dinga, R., Schmaal, L., Penninx, BW, Veltman, DJ et Marquand, AF (2020). Contrôle des effets des variables de confusion sur les prédictions d'apprentissage automatique. BioRxiv (2020).

Steyerberg, EW Validation dans la recherche prédictive : Le gaspillage par fractionnement des données. J.Clin. Épidémiol. 103, 131–133 (2018).

Article PubMed Google Scholar

Pérez-Carbonell, L. et al. Impact de la nouvelle pandémie de coronavirus (COVID-19) sur le sommeil. J. Thorac. Dis. 12, 163-175 (2020).

Article Google Scholar

Pagel, JF Somnolence diurne excessive. Suis. Fam. Phys. 79(5), 391–396 (2009).

CAS Google Scholar

Sahni, AS et al. Prise en charge de la somnolence excessive chez les patients atteints de narcolepsie et d'AOS : défis actuels et perspectives d'avenir. Nat. Sci. Sommeil 11, 241-252 (2019).

Article ADS PubMed PubMed Central Google Scholar

Lees, T. et al. Électroencéphalographie en tant que prédicteur de la fatigue/somnolence autodéclarée pendant la conduite monotone chez les conducteurs de train. Physiol. Mes. 39(10), 105012 (2018).

Article PubMed Google Scholar

Lechat, B. et al. Un nouveau marqueur EEG prédit la somnolence perçue et la mauvaise qualité du sommeil. Sommeil 45(5), 051 (2022).

Article Google Scholar

Académie de médecine du sommeil A. Le manuel AASM pour la notation du sommeil et des événements associés résumé des mises à jour en version 2.5. J.Clin. Sommeil Med. 16(4), 605–607 (2020).

Melia, U. et al. Mesures d'information mutuelle appliquées aux signaux EEG pour la caractérisation de la somnolence. Med Eng Phys 37(3), 297–308 (2015).

Article PubMed Google Scholar

Ko, LW et al. Attention soutenue dans des environnements de classe réels : une étude EEG. Front Hum Neurosci 11, 388 (2017).

Article PubMed PubMed Central Google Scholar

Gola, M. et al. L'activité de la bande bêta EEG est liée à l'attention et aux déficits attentionnels des performances visuelles des sujets âgés. Int. J. Psychophysiol. 89(3), 334–341 (2013).

Article PubMed Google Scholar

Nygate, Y. et al. 543 Modèle de réseau neuronal profond basé sur l'EEG pour la prédiction de l'âge du cerveau et son association avec les conditions de santé des patients. Sommeil 44 (Suppl 2), 214 (2021).

Article Google Scholar

Hughes, JR & Cayaffa, JJ L'EEG chez des patients à différents âges sans maladie cérébrale organique. Électroencéphalogramme. Clin. Neurophysiol. 42(6), 776–774 (1977).

Article CAS PubMed Google Scholar

Nguyen, P. et al. (EDS) Classification selon l'âge et le sexe à l'aide des caractéristiques paralinguistiques de l'EEG. Dans la conférence internationale IEEE/EMBS. sur l'ingénierie neuronale, NER (2013).

Vlahou, EL et al. Puissance des ondes lentes à l'état de repos, vieillissement sain et performances cognitives. Sci. Rep. 4, 5101 (2014).

Article CAS PubMed PubMed Central Google Scholar

Zoubi, OA et al. Prédire l'âge à partir des signaux EEG cérébraux - une approche d'apprentissage automatique. Devant. Neurosciences vieillissantes. 10, 184 (2018).

Article PubMed PubMed Central Google Scholar

Hu, J. Une approche de la reconnaissance du genre basée sur l'EEG utilisant des méthodes de mesure d'entropie. Savoir. Syst. 140, 134-141 (2018).

Article Google Scholar

Van Putten, MJAM, Olbrich, S. & Arns, M. Prédire le sexe à partir des rythmes cérébraux avec un apprentissage en profondeur. Sci. Rep. 8(1), 3069 (2018).

Article ADS PubMed PubMed Central Google Scholar

Télécharger les références

L'étape d'automatisation du pré-traitement a été réalisée sur la plateforme Oracle Cloud.

Ces auteurs ont contribué à parts égales : Araujo Matheus et Ghosn Samer.

Sleep Disorders Center, Neurological Institute, Cleveland Clinic Foundation, Cleveland, OH, États-Unis

Araujo Matheus, Wells Samantha & Mehra Reena

Département de génie biomédical, Cleveland Clinic Foundation, Cleveland, OH, États-Unis

Ghosn Samer et Saab Y. Carl

Sciences quantitatives de la santé, Lerner Research Institute, Cleveland Clinic Foundation, Cleveland, OH, États-Unis

Wang Lu

Metro Health Medical Center, Cleveland, OH, États-Unis

Hariadi Nengah

Département de génie biomédical, Université Brown, Providence, RI, États-Unis

Saab Y.Carl

Institut respiratoire, Cleveland Clinic Foundation, Cleveland, OH, États-Unis

Mehra Reena

Sciences cardiovasculaires et métaboliques, Institut de recherche Lerner, Cleveland Clinic Foundation, Cleveland, OH, États-Unis

Mehra Reena

Institut cardiaque et vasculaire, Cleveland Clinic Foundation, Cleveland, OH, États-Unis

Mehra Reena

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

MA, SG, RM et CS ont rédigé le texte principal du manuscrit. SW et NH ont identifié les sujets et collecté les données, LW a extrait les données des sujets et calculé les statistiques dans le tableau. 1. MA a préparé l'étude de confusion sur l'apprentissage automatique, a ajouté le tableau 2 et la figure 6. SG a développé le pipeline de données EEG, préparé l'analyse des données, l'apprentissage automatique et les Figs. 1, 2, 3, 4 et 5.

Correspondance à Mehra Reena.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Matheus, A., Samer, G., Lu, W. et al. Apprentissage automatique des biomarqueurs d'électroencéphalographie dérivés de la polysomnographie prédictifs de l'échelle de somnolence d'Epworth. Sci Rep 13, 9120 (2023). https://doi.org/10.1038/s41598-023-34716-5

Télécharger la citation

Reçu : 05 octobre 2022

Accepté : 05 mai 2023

Publié: 05 juin 2023

DOI : https://doi.org/10.1038/s41598-023-34716-5

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.