Traitement du syndrome d'apnée obstructive du sommeil par pression positive continue : étude des données de télésuivi pour comprendre l'impact des modifications du traitement et prédire les évènements aigus

par Alphanie Midelet

Thèse de doctorat en Modèles, méthodes et algorithmes en biologie, santé et environnement

Sous la direction de Jean-Louis Pépin et de Sébastien Bailly.

Soutenue le 07-12-2022

à l'Université Grenoble Alpes , dans le cadre de École doctorale ingénierie pour la santé, la cognition, l'environnement (Grenoble) , en partenariat avec Hypoxie : physiopathologie cardiovasculaire et respiratoire (Grenoble) (laboratoire) .

Le président du jury était Nicolas Vuillerme.

Le jury était composé de Abdelkebir Sabil.

Les rapporteurs étaient Marianne Clausel, Frédéric Gagnadoux.

mots clés

• Apnée du sommeil
• Intelligence artificielle
• Apprentissage automatique
• Séries temporelles
• Syndromes des apnées du sommeil
• Intelligence artificielle en médecine
• Séries chronologiques
• Apprentissage automatique

Résumé

Le syndrome d’apnées-hypopnées obstructives du sommeil (SAHOS) est une maladie chronique multi-organe et multifactorielle qui touche plusieurs millions de personnes en France et s’accompagne souvent de comorbidités cardiovasculaires. Environ 1.4 million de personnes en France sont traitées par pression positive continue (PPC). Ce traitement connecté génère quotidiennement de gros volumes de données depuis plusieurs années. Ces données permettent notamment de suivre l’observancedu patient au traitement et l’efficacité du traitement selon les réglages. Cependant, les méthodes de science des données sont à ce jour peu mobilisées pour extraire toute l’information pertinente contenue dans ces données et seul l'index apnées-hypopnées résiduel (IAHr) moyen est utilisé pour quantifier l'efficacité du traitement. Les travaux menés au cours de cette thèse consistent en l’identification deméthodes permettant la compréhension et l’analyse automatique des séries temporelles d’événements respiratoires résiduels et de débit aérien, et l’évaluation de la pertinence clinique des indicateurs issusde ces algorithmes.Tout d’abord, cette thèse a visé à mieux comprendre les données d’IAHr. D’une part, nous avons identifié les facteurs de variation de l’IAHr à contrôler dans touteanalyse. Puis, une méthode a été développée pour changer la représentation des séries temporellesafin d’identifier des clusters de trajectoires d’évolution de l’IAHr.Dans la suite de cette thèse, nous nous sommes intéressés aux déviations de l’IAHr de sa trajectoire habituelle.D'une part, nous avons identifié un modèle de prévision de séries temporelles avec contrôles synthétiques pour évaluer automatiquement l'impact d'un changement de réglage sur l'évolution de l'IAHr, avec comme cas d'usage le changement de masque. D'autre part, une analyse comparative des méthodes de détection de points de changement a été réalisée pour identifier une méthode généralisable à tous les patients pour lever des alertes pertinentes.Enfin, cette thèse a visé à comprendre le lien entre les données de télésuivi et les comorbidités des patients. Dans un premier temps, nous avons caractérisé les profils cliniques associés aux clusters de trajectoires d'IAHr. Dans un second temps, nous avons identifié une méthode d'extraction de caractéristiques du signal de débit aérien enregistré par la PPC en présence de respirations de Cheyne Stokes, afin d'identifier des caractéristiques spécifiques en présence d'insuffisance cardiaque.Nous avons montré que les données de télésuivi de PPC sont porteuses d’information pertinente etque l’utilisation de méthodes avancées d’analyse de données permet d’en extraire toute l’information.Des analyses prospectives seront nécessaires pour valider les algorithmes d’alertes et la pertinence des indicateurs calculés. Ces travaux ouvrent la voie à des analyses de données multi-dimensionnelles multi-échelles pour prédire la survenue d’événements aigus.

mots clés

• Machine learning
• Sleep apnea
• Artificial intelligence
• Time series

Titre traduit

Investigating CPAP telemonitoring big data : Understanding impact of at home management and predicting acute events

Résumé

Sleep apnea is one of the most frequent chronic diseases affecting nearly one billion people worldwide. The reference treatment for obstructive sleep apnea is continuous positive airway pressure (CPAP). The most widely used index for monitoring sleep apnea resolution under CPAP is the residual apnea-hypopnea index (rAHI) which quantifies the number of central and obstructive apneas and hypopneas per hour of sleep persisting under CPAP. This measurement is provided every night through remote monitoring platforms in millions of patients. There is a growing interest of care givers to use this information for early identification of treatment failures and incident acute or chronic cardiovascular events. The work presented in this thesis aims at identifying data science methods and mathematical models to better understand and automatically analyze the time series of rAHI and airflow, and demonstrate the clinical relevance of the indicators resulting from these algorithms.First, we formulated recommendation for pre-processing and cleaning of CPAP telemonitoring data. We developed a method to extract features from rAHI times series and identify clusters of trajectories.Then, we focused on the deviations of the rAHI from its expected trajectory. We identified a time series forecast model with synthetic controls to evaluate the impact of setting and mask on the evolution of the rAHI. We realized a comparative analysis of changepoint detection methods to identify a method generalizable to all patients to raise relevant alerts.Also, the goal of this thesis was to understand the relationship between telemonitoring data and comorbidities. On the one hand, we characterized the clinical profiles associated to clusters of rAHI trajectories. On the other hand, we developed a framework to extract relevant features from raw airflow signal of Cheyne-Stokes respiration in order to identify the specific features associated to the presence of heart failure.Our work paves the way for building shared clinical and technical databases with the parallel collection of both CPAP telemonitoring data and acute events information. This would allow the training of multi-dimensional multi-scale algorithms to predict the occurrence of acute events.