Décoder l’insomnie avec un modèle d’intelligence artificielle

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.

Dans 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