Un modèle d’apprentissage automatique peut prédire efficacement le risque de troubles du sommeil chez un patient à partir de données démographiques et de mode de vie, de résultats d’examens physiques et de valeurs de laboratoire, selon une nouvelle étude publiée cette semaine dans la revue à accès libre PLOS ONE par Samuel Y. Huang de la faculté de médecine de l’université Virginia Commonwealth et Alexander A. Huang de la faculté de médecine de l’université Feinberg de Northwestern, aux États-Unis.
La prévalence des troubles du sommeil diagnostiqués chez les patients américains a considérablement augmenté au cours de la dernière décennie. Il est important de mieux comprendre cette tendance et de l’inverser, car les troubles du sommeil constituent un facteur de risque important pour le diabète, les maladies cardiaques, l’obésité et la dépression.
Dans ce nouveau travail, les chercheurs ont utilisé le modèle d’apprentissage automatique XGBoost pour analyser des données publiques sur 7 929 patients américains ayant répondu à l’enquête nationale sur la santé et la nutrition (National Health and Nutrition Examination Survey). Les données contenaient 684 variables pour chaque patient, notamment des réponses à des questionnaires sur la démographie, l’alimentation, l’exercice physique et la santé mentale, ainsi que des informations de laboratoire et d’examen physique.
ICCHM 2026 · 1re édition · 12–13 déc. 2026
Congrès International des Contaminants et Métaux Lourds
Deux jours d'immersion clinique pour transformer votre pratique en santé environnementale : protocoles de chélation validés, études de cas réels et détoxification intégrative.
- Lieu : Novotel Paris Eiffel · présentiel & en ligne
- Format : 16 h de formation certifiante + replays 180 jours
- Thèmes : Métaux lourds · chélation · PFAS · perturbateurs endocriniens · mycotoxines
Paris12 – 13 DécembreICCHM.ORGicchm.orgDans l’ensemble, 2 302 patients de l’étude avaient été diagnostiqués par un médecin comme souffrant d’un trouble du sommeil. XGBoost a pu prédire le risque de diagnostic de troubles du sommeil avec une grande précision (AUROC=0,87, sensibilité=0,74, spécificité=0,77), en utilisant 64 des variables totales incluses dans l’ensemble des données. Les meilleurs prédicteurs de troubles du sommeil, selon le modèle d’apprentissage automatique, sont la dépression, le poids, l’âge et le tour de taille.
Source :https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0282622
Je tiens à vous remercier pour cet excellent article sur l’application de l’intelligence artificielle (IA) pour comprendre et traiter l’insomnie. J’ai été particulièrement impressionné par la manière dont vous avez expliqué les détails techniques du modèle d’IA, tout en gardant le texte accessible et intéressant.
Il est fascinant d’apprendre comment ces modèles peuvent aider à identifier les causes potentielles de l’insomnie et à prédire les futurs épisodes d’insomnie chez les patients. L’utilisation de l’IA pour personnaliser les plans de traitement et améliorer l’efficacité des thérapies cognitivo-comportementales est une avancée importante dans ce domaine.
En outre, j’ai apprécié la manière dont vous avez mis en avant les avantages potentiels de cette technologie, notamment la réduction des coûts et la facilitation de l’accès aux soins pour les personnes souffrant d’insomnie. Cela montre que l’IA peut avoir un impact significatif et positif sur la qualité de vie de nombreuses personnes.
Je tiens également à souligner votre attention aux questions éthiques et à la protection des données des patients, qui sont essentielles lorsqu’il s’agit d’appliquer de nouvelles technologies dans le domaine de la santé.
En somme, votre article a été une lecture très instructive et enrichissante. Je vous félicite pour votre travail et vous encourage à continuer à partager votre expertise sur des sujets aussi importants et passionnants. Merci de contribuer à la sensibilisation sur les avancées en matière de santé et de technologie.