Pallanca, Olivier
[Verfasser:in]
;
Institut polytechnique de Paris
[Mitwirkende:r];
Read, Jesse
[Mitwirkende:r];
Steyaert, Jean-Marc
[Mitwirkende:r]
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
Titel:
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
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
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 ...