- Sommeil
- 2026
Jusqu’où l’intelligence artificielle peut-elle se rapprocher de l’œil entraîné d’un expert du sommeil ?
Auteur : Guillaume JUBIEN
Temps de lecture estimé : 7 minutes
Diagnostiquer les troubles du sommeil grâce à l’IA
Nous avons mené une étude clinique interne pour le déterminer : BIOSerenity A.I. SOMNO, notre algorithme IA de bout-en-bout pour le scoring automatisé de la polysomnographie, a été évaluée sur 371 enregistrements issus de 8 centres du sommeil en France. Pour la plupart des indicateurs cliniques utilisés pour diagnostiquer les troubles du sommeil, les résultats obtenus par notre AI sont statistiquement indiscernables de ceux produits par des experts humains.
Intro
La polysomnographie (PSG) est le gold standard pour le diagnostic des troubles du sommeil, mais le scoring manuel est lent, coûteux et varie d’un opérateur à l’autre. Ainsi, nous avons développé BIOSerenity A.I. SOMNO pour prendre en charge l’ensemble du compte rendu du début à la fin : stades de sommeil, événements respiratoires, micro-éveils, mouvements des membres, désaturations, ainsi que tous les indicateurs cliniques qui en découlent. Dans une étude clinique interne récente, nous l’avons comparé au scoring d’experts sur un large jeu de données issu de la pratique réelle.
BIOSerenity A.I. SOMNO en un coup d’œil
BIOSerenity A.I. SOMNO est une chaîne d’étapes (appelée pipeline) d’intelligence artificielle entièrement automatisée pour l’analyse de la polysomnographie nocturne. Nous l’avons entraînée sur 2 375 enregistrements PSG et testée sur un ensemble indépendant de 371 enregistrements collectés dans 8 centres experts en France. La précision globale a atteint 93,5 % pour la classification des stades de sommeil, et a dépassé 96 % pour la détection des micro-éveils, des hypopnées et des désaturations. Pour les indicateurs cliniques sur lesquels les médecins s’appuient (indice d’apnées-hypopnées, temps total de sommeil, efficacité du sommeil, éveil après l’endormissement), nous n’avons observé aucune différence statistiquement significative entre le scoring de l’IA et celui des experts. Les performances se maintiennent également chez des patients présentant des comorbidités métaboliques, neurologiques, psychiatriques, pulmonaires et cardiaques. Le module de classification des stades de sommeil sera prochainement partiellement intégré à notre plateforme Playback, introduisant l’analyse automatisée des stades de sommeil dans la pratique clinique quotidienne.
Pourquoi le scoring automatisé de la PSG est important
Le sommeil affecte presque tous les aspects de notre fonctionnement, de la régulation cardiovasculaire à la consolidation de la mémoire et à l’équilibre émotionnel. Lorsque le sommeil est perturbé, la situation clinique est rarement simple. Près d’un tiers des adultes rapportent des troubles du sommeil, et des pathologies comme l’apnée obstructive du sommeil, l’insomnie ou le syndrome des jambes sans repos nécessitent chacune une évaluation approfondie. La polysomnographie reste l’examen de référence pour cette évaluation, mais elle produit des heures de signaux multicanaux que quelqu’un doit analyser manuellement.
Cette étape de scoring manuel constitue le goulot d’étranglement. Elle est lente, coûteuse et sujette à la fatigue. Différents opérateurs peuvent également ne pas être d’accord sur un même enregistrement, en particulier pour des événements complexes comme les micro-éveils et les hypopnées. Automatiser une partie de ce travail avec une IA fiable n’est plus seulement un objectif de recherche. Cela a des conséquences directes sur le nombre de patients qu’un centre du sommeil peut prendre en charge en une semaine, et sur la cohérence des comptes rendus d’une nuit à l’autre et d’un centre à l’autre.
Ce que nous avons développé : BIOSerenity A.I. SOMNO
BIOSerenity A.I. SOMNO combine des modèles de deep learning et des modules de traitement du signal basés sur des règles afin d’analyser une nuit complète de PSG du début à la fin, conformément aux recommandations AASM v3. Le système prend en charge :
- la classification des stades de sommeil (eveil, N1, N2, N3, REM), basée sur une architecture many-to-many inspirée de RobustSleepNet ;
- la détection des micro-éveils à partir des signaux EEG, EOG (détection des mouvement oculaires) et EMG (détection de l’activité musculaire);
- la détection des apnées et des hypopnées à partir de la pression nasale, de l’effort respiratoire avec les ceintures RIP, du taux de saturation en oxygène via la SpO₂ du taux de saturation en oxygène via la SpO2 et la PPG (mesure de la quantité de lumière absorbé ou réfléchie pas les vaisseaux sanguins), avec plusieurs variantes de modèles sélectionnées automatiquement en fonction de la qualité du signal ;
- la classification des types d’apnées (obstructive, centrale, mixte) ;
- la détection des mouvements périodiques des membres à partir des enveloppes EMG ;
- la détection des désaturations en oxygène à partir de la SpO₂ ;
- le calcul de tous les indicateurs cliniques standards dérivés : IAH, ODI, PLMI, index d’éveil, temps total de sommeil, efficacité du sommeil, durées des stades de sommeil, charge hypoxique et Sleep Breathing Impairment Index.
BIOSerenity A.I. SOMNO est en cours de développement dans le cadre du règlement européen sur les dispositifs médicaux (MDR 2017/745, classe IIa) et de la norme IEC 62304 classe B. Il n’est pas encore marqué CE. Le module de classification des stades de sommeil est sur le point d’être partiellement intégré à Playback, de sorte que les utilisateurs BIOSerenity disposeront bientôt d’une analyse automatisée directement dans leur flux de travail habituel.
Comment nous l’avons testé
Il s’agit d’une étude de validation rétrospective, multicentrique et non interventionnelle menée dans 8 centres du sommeil BIOSerenity en France. Nous sommes partis d’une base de données d’environ 20 000 études PSG enregistrées entre mai 2020 et avril 2024 en pratique clinique courante. Après contrôle qualité et vérification des consentements, deux ensembles de données ont été constitués :
- Ensemble d’entraînement : 2 375 enregistrements PSG
- Ensemble de test : 371 enregistrements PSG, tous scorés par l’un des trois techniciens experts seniors supervisant le scoring au sein du réseau BIOSerenity
La classification des stades de sommeil a été évaluée période par période. Les événements liés au sommeil (micro-éveils, apnées, hypopnées, désaturations, mouvements périodiques des membres) ont été analysés à l’aide d’un critère de recouvrement temporel. Nous avons ensuite comparé les indicateurs cliniques calculés par l’IA à ceux dérivés des annotations expertes à l’aide de t-tests appariés, et réalisé deux analyses de sous-groupes afin d’évaluer la robustesse des performances selon les comorbidités et les diagnostics cliniques (PSG normale, insomnie, troubles respiratoires du sommeil).
L’étude est enregistrée auprès du Health Data Hub (numéro de projet 213760051). Elle a été menée conformément au RGPD, à la loi française sur la protection des données, au MDR et aux principes de la Déclaration d’Helsinki.
Résultats
STADES DE SOMMEIL
La précision globale pour la classification des stades de sommeil atteint 93,5 % (IC 95 % : 93,2 à 93,8), avec une sensibilité de 83,8 % et une spécificité de 96,0 %. Par stade : 96,7 % pour l’éveil, 91,4 % pour N1, 87,8 % pour N2, 95,2 % pour N3, 96,5 % pour le REM.
Comme indiqué dans le tableau ci-dessous, le stade N1 est le plus difficile à classifier, ce qui est attendu. C’est également celui pour lequel l’accord entre experts humains est le plus faible.
ÉVÈNEMENTS DU SOMMEIL
La détection des événements est globalement robuste, avec des précisions de :
- 97,7% pour les micro-éveils, et spécificité supérieure à 99 %;
- 93,5 % pour les apnées (global);
- 96,4 % pour les hypopnées;
- 98,1 % pour les désaturations et une sensibilité de 92,0 %;
- 94,1 %pour les séries de mouvements périodiques des membres.
INDICATEURS CLINIQUES : RÉSULTAT CLÉ
Il s’agit probablement du résultat le plus important pour la pratique clinique. Pour la plupart des indicateurs que les médecins utilisent lors de l’interprétation d’une étude du sommeil, aucune différence statistiquement significative (toutes p > 0,05) n’a été observée entre les valeurs calculées par BIOSerenity A.I. SOMNO et celles issues des annotations expertes. Cela inclut l’indice d’apnées-hypopnées, l’indice de désaturation en oxygène, la charge hypoxique, le Sleep Breathing Impairment Index, le temps total de sommeil, l’efficacité du sommeil, la latence d’endormissement, la latence REM, le temps d’éveil après l’endormissement, ainsi que le temps passé en N1 et N2.
Trois indicateurs présentent une différence statistiquement significative : l’indice de mouvements périodiques des membres, l’index d’éveil et la durée du REM. Les écarts restent dans des plages cliniquement interprétables et permettent d’identifier les axes d’amélioration des algorithmes.
LES PERFORMANCES SE MAINTIENNENT-ELLES SELON LES PROFILS DE PATIENTS ?
Afin de vérifier que les performances ne se dégradent pas en dehors des cas simples, nous avons réalisé des analyses de sous-groupes chez des patients présentant des comorbidités métaboliques, neurologiques, psychiatriques, pulmonaires et cardiaques, ainsi que selon les diagnostics cliniques (PSG normale, insomnie, troubles respiratoires du sommeil). Dans presque tous les cas, les performances restent dans une marge de non-infériorité de 5 % par rapport à la population globale. Les rares exceptions concernent des événements très rares, comme les apnées mixtes dans de petits sous-groupes, où quelques erreurs de classification suffisent à faire varier les métriques.
Pourquoi cela compte pour la médecine du sommeil
La plupart des outils d’IA existants dans le domaine du sommeil se concentrent sur une seule tâche : classification des stades, détection des micro-éveils ou des apnées. BIOSerenity A.I. SOMNO a été validé comme une chaîne complète de bout en bout produisant l’ensemble des éléments d’un compte rendu de polysomnographie. Et pas seulement en termes de précision brute, mais sur les indicateurs cliniques réellement utilisés par les médecins pour poser un diagnostic.
En pratique, un flux de travail assisté par IA peut réduire le temps nécessaire à la production d’un compte rendu, diminuer la variabilité entre centres et permettre aux techniciens et médecins de se concentrer sur les cas complexes où leur expertise est essentielle.
Prochaines étapes
Des travaux restent à mener. Les prochaines étapes incluent l’extension de la validation de nos algorithmes à des enregistrements pédiatriques et à des patients sous traitements connus pour modifier les patterns EEG. BIOSerenity A.I. SOMNO sera également déployé dans des solutions de monitoring EEG vidéo à domicile, puis en réanimation via des enregistrements EEG de longue durée. Ce continuum, du laboratoire au domicile puis aux soins intensifs, garantit que les améliorations des algorithmes bénéficient directement aux patients et aux cliniciens en conditions réelles.
En parallèle, nous explorons des modèles fondamentaux EEG afin d’améliorer encore la classification des stades de sommeil et la détection des micro-éveils, ainsi que d’élargir la gamme d’événements détectables, tels que les RERA et la respiration de Cheyne-Stokes.
Côté produit, le module de classification des stades de sommeil sera prochainement partiellement intégré à Playback, notre interface de visualisation des données, permettant une analyse automatisée directement dans l’écosystème BIOSerenity. Des démarches réglementaires sont également en cours pour obtenir le marquage CE du système complet A.I. SOMNO.
Références
Study registration (Health Data Hub, France): https://www.health-data-hub.fr/projets (project number 213760051).
AASM Manual for the Scoring of Sleep and Associated Events, version 3.0 (American Academy of Sleep Medicine, 2023).
Guillot A. and Thorey V., RobustSleepNet: Transfer Learning for Automated Sleep Staging at Scale, IEEE Trans. Neural Syst. Rehabil. Eng., 2021.
Full clinical study report (internal, BIOSerenity Medical Devices Group, 2026). A peer-reviewed publication based on these results is being prepared.