Identification par apprentissage automatique des signatures de neuroimagerie chez des patients masculins jeunes et d'âge moyen atteints d'apnée obstructive du sommeil : une étude IRM multimodaleMachine learning identification of neuroimaging signatures in young and middle-aged male patients with obstructive sleep apnea: a multimodal MRI study.
- Le modèle combine des caractéristiques structurelles de matière grise et de connectivité fonctionnelle dynamique pour identifier l'AOS avec désaturation sévère.
- La sélection de caractéristiques avec un seuil VIM > 0,05 améliore la précision de 2,7 % et atteint un rappel optimal de 97,50 %.
- Les régions cérébrales sélectionnées par le modèle sont impliquées dans la mémoire et l'attention, suggérant une validité neurobiologique.
L'article est pertinent pour NeuroWatch car il relie les signatures neurobiologiques de l'AOS aux fonctions cognitives (mémoire, attention), mais l'échantillon restreint et la performance modérée limitent son impact immédiat pour la pratique clinique.
L'échantillon est limité aux hommes jeunes et d'âge moyen, ce qui réduit la généralisabilité aux femmes et aux personnes âgées. La performance du modèle (précision ~70 %) reste modérée et pourrait nécessiter une validation externe. L'étude ne précise pas l'impact des comorbidités ni des traitements antérieurs sur les marqueurs IRM.
Cette étude a développé et validé un modèle basé sur la neuroimagerie pour identifier les patients atteints d'apnée obstructive du sommeil (AOS) sévère avec désaturation sévère en oxygène (ODI ≥ 30 événements/heure) chez des hommes jeunes et d'âge moyen. À partir de 111 patients, un algorithme Random Forest a sélectionné 28 caractéristiques (indices structurels de matière grise, connectivité fonctionnelle dynamique, âge, IMC) puis un modèle SVM a classifié les patients sévères avec une précision de 70,91 %, un rappel de 95,07 % et une AUC de 0,798. Les régions cérébrales impliquées soutiennent des fonctions cognitives comme la mémoire et l'attention.
Le modèle combine des caractéristiques structurelles de matière grise et de connectivité fonctionnelle dynamique pour identifier l'AOS avec désaturation sévère. La sélection de caractéristiques avec un seuil VIM > 0,05 améliore la précision de 2,7 % et atteint un rappel optimal de 97,50 %. Les régions cérébrales sélectionnées par le modèle sont impliquées dans la mémoire et l'attention, suggérant une validité neurobiologique.
Ce modèle pourrait aider à identifier les patients AOS à haut risque de déclin cognitif lié à l'hypoxie. L'intégration de l'IRM multimodale pourrait améliorer le dépistage de l'AOS sévère en complément des critères polysomnographiques. Les cliniciens pourraient utiliser ces signatures pour orienter les interventions précoces ciblant les fonctions cognitives.
Modéré