Introduction : Lorsque l’apnée obstructive du sommeil (AOS) n’est pas traitée, on peut observer des manifestations cliniques variées, une fatigue diurne, des troubles cognitifs, l’augmentation des risques d’hypertension artérielle systémique non contrôlée, de maladies cardiovasculaires, de diabète, d’insuffisance rénale chronique et d’accidents de la route. Ces conséquences importantes soulignent la nécessité d’un diagnostic précis et d’une prise en charge efficace. L’outil diagnostique de référence pour l’AOS est la polysomnographie, qui est coûteuse, longue et difficile d’accès.
Les technologies d’intelligence artificielle (IA), en particulier l’apprentissage automatique (AA) et l’apprentissage profond (AP), transforment les approches diagnostiques en médecine du sommeil. Les algorithmes AA peuvent apprendre à partir de données cliniques structurées à l’aide de caractéristiques artisanales, tandis que les modèles AP extraient des modèles directement à partir de signaux bruts tels que le débit d’air, l’oxymétrie ou l’électrocardiogramme. Cette capacité à reconnaître de manière autonome des modèles spatiaux et temporels subtils rend l’AP particulièrement adapté à la détection des perturbations liées à l’AOS. En exploitant de grands ensembles de données, ces modèles peuvent atteindre une grande précision diagnostique et offrir des solutions évolutives qui complètent les outils d’évaluation traditionnels.
Objectifs : Cette revue systématique de la littérature a évalué la précision diagnostique et les performances des modèles d’IA dans l’identification et la détection de l’AOS chez les patients adultes.
Matériels et méthodes : Les auteurs ont interrogé six grandes bases de données, PubMed®, Cochrane, Web of Science, Scopus, Embase et IEEE Xplore, à l’aide de mots-clés liés à l’IA et à l’AOS. Les études éligibles portaient sur des populations adultes, utilisaient la PSG en laboratoire comme…
