Conception et développement d'un dispositif médical multimodal innovant pour le dépistage du Syndrome d'Apnées du Sommeil (SAS)

Conception and development of a multimodal and innovative medical device for the screening of Sleep Apnea Syndrome (SAS)

• Auteur / Autrice : Aurélien Bricout-Serrurier
• Direction : Pierre-Yves Guméry
• Type : Thèse de doctorat
• Discipline(s) : Biotechnologie, instrumentation, signal et imagerie pour la biologie, la médecine et l'environnement
• Date : Soutenance le 14/12/2020
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale ingénierie pour la santé, la cognition, l'environnement (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Techniques de l’ingénierie médicale et de la complexité - Informatique, mathématiques et applications (Grenoble)
• Jury : Président / Présidente : Jean-Louis Pépin
• Jury : Examinateurs / Examinatrices : Pierre-Yves Guméry, Patrick Malléa, Frédéric Gagnadoux
• Jury : Rapporteurs / Rapporteuses : Régine Le Bouquin Jeannès, Mounir Chennaoui

Mots clés

Mots clés contrôlés

Apprentissage automatique

Dépistage

Syndromes des apnées du sommeil

Mots clés libres

Multimodalité

Machine Learning

Accélérométrie

Apnées du sommeil

Sleep Apnea

Accelerometry

Multimodality

Machine Learning

Résumé

Le Syndrome d’Apnées du Sommeil (SAS) est une pathologie associée au sommeil et caractérisée par la survenue d’épisodes, fréquents et anormalement distribués, d’arrêt (apnées) ou de diminution (hypopnées) de la ventilation pendant une durée d’au moins 10 secondes. La prévalence du SAS est estimée à 10% de la population mondiale. Cependant, cette pathologie reste largement sous-diagnostiquée, notamment en raison de la lourdeur et la complexité de la méthode diagnostique de référence, la polysomnographie (PSG). L’engorgement des centres du sommeil et l’expertise encore manuelle nécessaire à l’analyse des enregistrements pénalise la prise en charge des patients. Dans ce contexte, un des enjeux de la recherche industrielle est d’alléger les méthodes d’investigation. Dans l’esprit de la classification internationale de l’American Academy of Sleep Medicine (AASM) qui hiérarchise les différentes approches de diagnostic de la polysomnographie en condition surveillée à une polygraphie à un ou deux capteurs, nous cherchons à minimiser le nombre de ces derniers. L’évaluation des performances est à évaluer en regard d’usages qui peuvent aller du diagnostic hospitalier au dépistage à domicile.Cette thèse propose un double objectif. Le premier réside dans la conception d’un dispositif innovant allégé et basé sur le couplage d’un système accélérométrique et d’un capteur d’électrocardiographie (ECG). Le système accélérométrique utilisant deux niveaux de mesure (thoracique et abdominal) vise une estimation indirecte du débit aérien pour une détection des événements respiratoires. L’évaluation de cette estimation est menée en conditions physiologique et physiopathologique. Dans ce second cas, l’autre objectif de la thèse consiste à développer un environnement d’évaluation de performances automatisé basé sur une solution de Machine Learning. Cette solution s’articule également sur la mise en place d’une base de données spécifique et comportant, à ce jour, 28 patients. La stratégie décisionnelle est ici basée sur un modèle de détection des évènements anormaux et d’estimation de l’Index Apnées-Hypopnées (IAH).En termes de résultats, une analyse des performances de l’outil décisionnel en condition polysomnographique a démontré que la classification des sujets apnéiques selon l’IAH atteignait une précision de 100%. L ‘analyse des performances du dispositif innovant à l’aide de l’outil décisionnel ainsi validé, a conduit à une précision de 79%, une sensibilité de 80% et une spécificité de 77% sur la base de données disponible. Ces résultats fournissent une preuve de concept pour l’utilisation du dispositif dans un objectif de dépistage du SAS. Pour aller au-delà de la preuve de concept, une augmentation du nombre de patients et de la dimension statistique des résultats restent nécessaire.

Sleep Apnea Syndrome (SAS) is a sleep-related condition characterized by the occurrence of frequent and abnormally distributed episodes of cessation (apneas) or decrease (hypopneas) of ventilation for a duration of at least 10 seconds. The prevalence of SAS is estimated around 10% of the worldwide population. However, this pathology remains largely under-diagnosed, in particular because of the cumbersomeness and complexity of the reference diagnostic method, the polysomnography (PSG). The congestion of sleep centers and the still manual expertise required to analyze recordings penalizes patient management. In this context, one of the challenges of industrial research is to lighten investigation methods. In the spirit of the international classification of the American Academy of Sleep Medicine (AASM), which prioritizes the different diagnostic approaches from polysomnography in a monitored condition to ventilatory polygraphy with one or two sensors, we are seeking to minimize the number of sensors. Performance evaluation is to be assessed with respect to uses that can range from hospital diagnosis to home screening.This thesis proposes a double objective. The first is to design an innovative lightweight device based on the coupling of an accelerometric system and an electrocardiography (ECG) sensor. The accelerometric system using two levels of measurement (thoracic and abdominal) aims at an indirect estimation of airflow for the detection of respiratory events. The evaluation of this estimation is conducted under physiological and pathophysiological conditions. In this second case, the other objective of the thesis is to develop an automated performance evaluation environment based on a Machine Learning solution. This solution is also based on the implementation of a specific database with, to date, 28 patients. The decision-making strategy is based on a model that detects abnormal segments and estimates the Apnea-Hypopnea Index (AHI).In terms of results, an analysis of the performance of the decision-making tool in polysomnographic conditions showed that the classification of apneic subjects according to the AHI reached an accuracy of 100%. The analysis of the performance of the innovative device using the validated decision tool led to a precision of 79%, a sensitivity of 80% and a specificity of 77% based on available data. These results provide a proof of concept for the use of the device in SAS screening. In order to go beyond the proof of concept, an increase in the number of patients and the statistical dimension of the results remain necessary.