An improved understanding of Paradoxical Insomnia : A knowledge-based approach using machine learning tools
Une meilleure compréhension de l'insomnie paradoxale : une approche basée sur la connaissance utilisant des outils d'apprentissage automatique
Résumé
The main objective of this research is to improve our understanding of insomnia and its treatment outcome to contribute to reducing recurrent relapses of this disorder, which affects 10-20% of the population. Our research focuses on paradoxical insomnia (PI), a condition in which patients cannot accurately assess the duration and quality of their sleep. Although common in clinical practice, PI is widely misunderstood and difficult to manage. We aim to use machine learning tools to shed new light on this topic.Materials and methodsWe pooled data from 450 patients with chronic insomnia who regularly underwent clinical, psychometric, actimetry, and polysomnographic examinations at a sleep disorder center. In addition, we compiled data from a follow-up of at least six months to assess responses to different treatments. Our database includes 200 patient attributes. We deployed comprehensive machine learning predictive models to identify common characteristics of patients diagnosed with PI based on multiple criteria. To facilitate understanding of the various predictions, we ensured the interpretability of the models using specialized algorithms. In addition, we used and evaluated specially designed machine learning tools to extract electroencephalographic (EEG) features, aiming to predict sleep stages, and spindles, and identify PI subjects or certain subgroups of insomniacs with higher sleepiness.ResultsWe found that EEG extractions from our dataset performed by ML tools did not yield conclusive results for predicting poor sleep perception or sleep stages. However, the amalgamation of expert information with EEG extraction enabled us to identify subgroups of insomnia patients who reported greater subjective sleepiness (based on the Epworth Sleepiness Scale questionnaire).Using our database, we reaffirmed the inadequacy of 20 formulas widely used in the scientific literature to define PI (mainly focused on the threshold of pathological discordance between objective and subjective sleep perception). These formulas use ten features, but our machine learning tools revealed that only two features were essential in the PI predictions of most formulas, allowing us to rationalize the definition of PI. In addition, we found that patients with PI showed significant increases in wakefulness during sleep, partly explaining the PI parado.We proposed a new definition of PI, extending the period of sleep analysis from one night to one week, thus improving the reliability of the sleep perception study. We were also the first to use machine learning to predict treatment outcomes at six months (assessed using the ISI [Index Severity of Insomnia] scale) for all types of chronic insomnia with an accuracy > 0.8 and our new definition of PI proved to be one of the main predictive factors.Thus, in line with our hypotheses, we have demonstrated that predictive models can uncover new explanatory factors useful for sleep medical research using a data-centric approach, offering advantages and complementarity over traditional inferantial approaches.
L'objectif principal de cette recherche est d'améliorer notre compréhension de l'insomnie et des résultats de son traitement, afin de contribuer à réduire les rechutes récurrentes de ce trouble qui touche 10 à 20 % de la population. Notre recherche s'intéresse tout particulièrement à l'insomnie paradoxale (IP), un état dans lequel les patients sont incapables d'évaluer avec précision la durée et la qualité de leur sommeil. Bien qu'elle soit fréquente dans la pratique clinique, l'IP est largement incomprise et difficile à gérer. Nous souhaitons utiliser des outils d'apprentissage automatique pour apporter un éclairage nouveau sur ce sujet.Matériel et méthodesNous avons regroupé les données de 450 patients souffrant d'insomnie chronique et ayant régulièrement subi des examens cliniques, psychométriques, actimétriques et polysomnographiques dans un centre de traitement des troubles du sommeil. En outre, nous avons compilé les données d'un suivi d'au moins six mois, afin d'évaluer les réponses aux différents traitements. Notre base de données comprend 200 attributs de patients. Nous avons déployé des modèles prédictifs d'apprentissage automatique compréhensibles pour identifier les caractéristiques communes des patients chez qui l'IP a été diagnostiquée sur la base de critères multiples. Pour faciliter la compréhension des diverses prédictions, nous avons assuré l'interprétabilité des modèles à l'aide d'algorithmes spécialisés. En outre, nous avons utilisé et évalué des outils d'apprentissage automatique spécialement conçus pour l'extraction de catactéristiques électroencéphalographiques (EEG), dans le but de prévoir les stades du sommeil, les fuseaux, et d'identifier les sujets atteints d'IP ou certains sous-groupes d'insomniaques présentant une somnolence plus élevée.RésultatsNous avons constaté que les extractions EEG de notre ensemble de données réalisées par des outils de ML n'ont pas donné de résultats concluants pour prédire la mauvaise perception du sommeil ou les stades de sommeil. Cependant, l'amalgame des informations d'experts avec l'extraction EEG a permis d'identifier les sous-groupes de patients insomniaques qui ont rapporté une somnolence subjective plus importante (basée sur le questionnaire de l'échelle de somnolence d'Epworth).Nous avons réaffirmé l'inadéquation de 20 formules répandues dans la littérature scientifique pour définir l'IP (principalement axées sur le seuil de discordance pathologique entre la perception objective et subjective du sommeil) à l'aide de notre base de données. Ces formules utilisent dix caractéristiques, mais nos outils d'apprentissage automatique ont révélé que seules deux caractéristiques étaient essentielles dans les prédictions d'IP de la plupart des formules, ce qui a permis de rationaliser la définition de l'IP. En outre, nous avons constaté que les patients atteints d'IP présentaient des augmentations significatives de l'état d'éveil pendant le sommeil, ce qui explique en partie le paradoxe de l'IP.Nous avons proposé une nouvelle définition de l'IP, en étendant la période d'analyse du sommeil d'une nuit à une semaine, améliorant ainsi la fiabilité de l'étude de la perception du sommeil. Nous avons également été les premiers à utiliser l'apprentissage automatique pour prédire les résultats du traitement à six mois pour tous les types d'insomnie chronique avec une précision > 0.8 (évaluée à l'aide de l'échelle ISI [Index Severity of Insomnia]), et notre nouvelle définition de l'IP s'est révélée être un des facteurs prédictif principaux.Ainsi conformément à nos hypothèses, nous avons démontré que les modèles prédictifs peuvent découvrir de nouveaux facteurs d'explication utiles à la recherche médicale en utilisant une approche centrée sur les donnés, offrant des avantages et une complémentarité par rapport aux approches déductives traditionnelles.
Origine : Version validée par le jury (STAR)