Lead. Obtenir une évaluation fiable du sommeil implique généralement de passer une nuit dans un laboratoire relié à des dizaines d’électrodes. La polysomnographie (PSG), l’étalon-or pour la stadification du sommeil et le diagnostic de l’apnée, est lourde, coûteuse et mal adaptée au dépistage de routine ou à l’utilisation à domicile. Une grande équipe internationale a maintenant publié les résultats de BCGNet, un modèle d’apprentissage profond qui effectue une stadification du sommeil et une détection de l’apnée de qualité clinique à l’aide d’un simple tapis de capteur glissé sous l’oreiller. L’étude, parue le 3 juillet dans NPJ Digital Medicine, indique que le modèle égale ou surpasse de nombreuses approches existantes tout en ne nécessitant aucun contact direct avec la peau du patient.
Ce qu’ils ont trouvé. BCGNet est une architecture d’apprentissage par transfert en deux étapes développée par des chercheurs de 14 institutions couvrant la Chine, l’Australie et les États-Unis, dont l’Université Tsinghua, la Harvard Medical School et l’Université de Californie à San Francisco. L’équipe a d’abord pré-entraîné le modèle sur 580 865 heures de données polysomnographiques, puis l’a affiné sur 15 081 heures d’enregistrements de ballistocardiographie (BCG) capturés par le dispositif sous l’oreiller. L’ensemble d’entraînement combiné d’environ 596 000 heures est parmi les plus jamais assemblés pour la recherche en stadification du sommeil.
Sur la stadification du sommeil à quatre classes (éveil, sommeil léger, sommeil profond, REM), le modèle a obtenu des scores F1 compris entre 0,710 et 0,817 sur plusieurs cohortes de validation. Pour l’estimation de l’index d’apnée-hypopnée à un seuil de désaturation de 3 % (IAH3 %), le r de Pearson a dépassé 0,95, indiquant une corrélation quasi parfaite avec les mesures de référence PSG. Les métriques de continuité et d’architecture du sommeil, notamment le temps de sommeil total, l’efficacité du sommeil et le temps passé dans chaque stade, ont montré des coefficients de corrélation intraclasse et des valeurs de r de Pearson généralement supérieurs à 0,8.
Le modèle s’est bien généralisé à divers ensembles de données externes qui différaient par la démographie des patients, l’équipement d’enregistrement et les contextes cliniques. Les auteurs ont également démontré de solides performances sur de courtes enregistrements de siestes diurnes, suggérant une utilité potentielle au-delà de la surveillance nocturne.
Pourquoi c’est important. L’apnée obstructive du sommeil touche environ 936 millions d’adultes dans le monde, dont la grande majorité reste non diagnostiquée. Les tests de sommeil à domicile actuels, bien que plus pratiques que la PSG en laboratoire, obligent encore les patients à porter des capteurs sur le visage, la poitrine ou les doigts. De nombreux patients trouvent ces dispositifs inconfortables, et l’observance des tests à domicile reste inégale.
Une approche véritablement sans contact élimine ces barrières. Le tapis BCG sous l’oreiller ne nécessite aucune installation par le patient, aucun nettoyage entre les utilisations et aucun port d’appareil. Il peut être déployé dans les domiciles, les établissements de soins de longue durée et les services hospitaliers sans perturber l’environnement de sommeil du patient. Si les performances rapportées dans cette étude se confirment lors de déploiements prospectifs en conditions réelles, le dispositif pourrait considérablement élargir l’accès à une évaluation objective du sommeil, en particulier dans les contextes où la PSG est indisponible ou peu pratique.
La capacité du modèle à estimer l’IAH3% avec un r de Pearson supérieur à 0,95 est particulièrement remarquable. L’index d’apnée-hypopnée est la métrique principale utilisée pour diagnostiquer et classer la sévérité de l’apnée du sommeil. Un capteur sans contact capable de produire une valeur d’IAH cliniquement exploitable pourrait servir d’outil de dépistage à grande échelle, permettant potentiellement d’identifier les millions de patients non diagnostiqués qui bénéficieraient d’une évaluation et d’un traitement supplémentaires.
Limites. L’étude était rétrospective, et les auteurs reconnaissent que la validation prospective dans des environnements domestiques réels est une prochaine étape importante. Bien que les ensembles de validation externes étaient diversifiés, il s’agissait néanmoins de collections de recherche organisées qui pourraient ne pas être pleinement représentatives de la population générale. Le dispositif ne capture que les signaux BCG ; il ne peut pas mesurer directement le débit d’air, la saturation en oxygène ou l’EEG, ce qui signifie que le modèle doit inférer ces paramètres indirectement. Les performances chez les patients présentant des comorbidités complexes, des arythmies cardiaques sévères ou des architectures de sommeil inhabituelles n’ont pas été évaluées de manière approfondie. Le brevet est détenu par Five Seasons Medical, une société basée à Pékin, et plusieurs auteurs sont employés du fabricant du dispositif, un conflit d’intérêts potentiel qui doit être pris en compte lors de l’évaluation des chiffres de performance rapportés. L’étude a été soutenue par la National Natural Science Foundation of China et le Ministry of Science and Technology of China.
Bottom line. BCGNet démontre qu’un modèle d’apprentissage profond entraîné sur une banque énorme de données PSG peut transférer efficacement ses connaissances à un signal de ballistocardiographie sans contact, produisant des estimations de stadification du sommeil et d’apnée qui approchent la précision de la polysomnographie supervisée. Ces travaux représentent la preuve la plus récente et la plus solide que les capteurs portables et sans contact, associés à des réseaux de neurones sophistiqués, pourraient bientôt rendre l’évaluation fiable du sommeil accessible à toute personne possédant un lit.
Source. Chen S, Chen X, et al. BCGNet: an AI model trained on 600 K hours of sleep data for a novel under-pillow contactless monitoring device. NPJ Digit Med. 2026 Jul 3. doi: 10.1038/s41746-026-02885-y. PMID: 42399358.
Traduit par Lydie