Performance de classification veille-sommeil d'algorithmes d'apprentissage automatique formés en pédiatrie pour des données d'accélérométrie brute
The Sleep-Wake Classification Performance of Pediatric-Trained Machine Learning Algorithms for Raw Accelerometer Data.
L’essentiel
La présente étude évalue la performance des algorithmes d'apprentissage automatique basés sur des données d'accélérométrie brute pour la classification veille-sommeil en population pédiatrique. Soixante-cinq enfants âgés de 5,3 à 17,7 ans ont bénéficié d'une polysomnographie nocturne en laboratoire tout en portant un dispositif actigraphique GENEActiv au poignet non dominant. Les données d'accélération ont été converties en époques de 30 secondes et comparées aux données de référence validées par des cliniciens via l'électroencéphalographie. Huit modèles d'apprentissage automatique ont été entraînés à l'aide d'une validation croisée, et leurs performances ont été comparées à celles d'algorithmes existants, notamment les algorithmes GGIR et un classificateur de type forêt aléatoire entraîné sur des adultes. Le classificateur pédiatrique basé sur un réseau de neurones LSTM local-global a démontré la performance optimale par époque avec une exactitude équilibrée de 0,85 et une aire sous la courbe ROC de 0,95. Ces métriques surpassent nettement les performances des modèles entraînés sur des adultes et des algorithmes GGIR. Les analyses de discordance ont révélé que la durée totale du sommeil était sous-estimée de 25 minutes en moyenne par le classificateur LSTM, sans biais proportionnel détecté. En conclusion, les classificateurs pédiatriques développés possèdent une forte capacité à détecter les états de veille et de sommeil chez l'enfant et l'adolescent.
- Soixante-cinq enfants et adolescents ont participé à une étude combinant actigraphie brute et polysomnographie de laboratoire.
- Huit modèles d'apprentissage automatique ont été entraînés pour classifier les états de veille et de sommeil à partir de données pédiatriques.
- Le classificateur LSTM local-global formé sur des données pédiatriques a atteint la performance la plus optimale avec une exactitude équilibrée de 0,85.
Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.
Comprendre l’analyse ↓Analyse du résumé uniquement. Confiance faible dans les informations extraites.
Voir les sources ↓Synthèse détaillée
Synthèse
La présente étude évalue la performance des algorithmes d'apprentissage automatique basés sur des données d'accélérométrie brute pour la classification veille-sommeil en population pédiatrique. Soixante-cinq enfants âgés de 5,3 à 17,7 ans ont bénéficié d'une polysomnographie nocturne en laboratoire tout en portant un dispositif actigraphique GENEActiv au poignet non dominant. Les données d'accélération ont été converties en époques de 30 secondes et comparées aux données de référence validées par des cliniciens via l'électroencéphalographie. Huit modèles d'apprentissage automatique ont été entraînés à l'aide d'une validation croisée, et leurs performances ont été comparées à celles d'algorithmes existants, notamment les algorithmes GGIR et un classificateur de type forêt aléatoire entraîné sur des adultes. Le classificateur pédiatrique basé sur un réseau de neurones LSTM local-global a démontré la performance optimale par époque avec une exactitude équilibrée de 0,85 et une aire sous la courbe ROC de 0,95. Ces métriques surpassent nettement les performances des modèles entraînés sur des adultes et des algorithmes GGIR. Les analyses de discordance ont révélé que la durée totale du sommeil était sous-estimée de 25 minutes en moyenne par le classificateur LSTM, sans biais proportionnel détecté. En conclusion, les classificateurs pédiatriques développés possèdent une forte capacité à détecter les états de veille et de sommeil chez l'enfant et l'adolescent.
Résultats principaux
Soixante-cinq enfants et adolescents ont participé à une étude combinant actigraphie brute et polysomnographie de laboratoire. Huit modèles d'apprentissage automatique ont été entraînés pour classifier les états de veille et de sommeil à partir de données pédiatriques. Le classificateur LSTM local-global formé sur des données pédiatriques a atteint la performance la plus optimale avec une exactitude équilibrée de 0,85. Les modèles entraînés spécifiquement sur une population pédiatrique surpassent les classificateurs formés sur des adultes et les algorithmes GGIR. Le modèle LSTM sous-estime la durée totale du sommeil d'environ 25 minutes en moyenne, sans présenter de biais proportionnel.
Repères pour la pratique
Les cliniciens devraient privilégier l'utilisation d'algorithmes spécifiquement entraînés sur des cohortes pédiatriques pour l'analyse des données actigraphiques en consultation. L'utilisation de classificateurs basés sur l'apprentissage profond comme le modèle LSTM améliore la précision de la détection veille-sommeil par rapport aux méthodes traditionnelles. Il est important de garder en mémoire une légère sous-estimation de la durée totale du sommeil lors de l'interprétation clinique des données actigraphiques brutes.
Limites et précautions
L'article présente des données méthodologiques rigoureuses sur l'utilisation de l'apprentissage automatique pour l'analyse du sommeil en pédiatrie, offrant des implications directes pour la pratique clinique et l'évaluation actigraphique. L'échantillon analysé se compose de soixante-cinq participants, ce qui limite la généralisation des résultats à l'ensemble de la population pédiatrique. La durée totale du sommeil évaluée par le modèle présente une sous-marquage moyen de 25 minutes qu'il convient de prendre en compte dans le suivi clinique. L'étude se concentre sur l'évaluation des algorithmes mais ne teste pas l'impact de ces mesures dans le cadre d'un diagnostic de troubles du sommeil spécifiques.
Analyse méthodologique
Non déterminable — Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.
Le texte intégral ouvert n’était pas accessible. Cela rend la robustesse non déterminable : l’absence d’information n’est pas interprétée comme une faiblesse de l’étude.
Examiner les critères point par point
L'étude a inclus soixante-cinq enfants âgés de 5,3 à 17,7 ans ayant réalisé une polysomnographie nocturne en laboratoire tout en portant un dispositif GENEActiv au poignet non dominant. Huit modèles d'apprentissage automatique ont été entraînés à l'aide d'une validation croisée de type laisser un sujet de côté. Le classifieur LSTM local-global formé en pédiatrie a obtenu une performance optimale avec une exactitude balancée de 0,85, une sensibilité de 0,88, une spécificité de 0,83, un ROC-AUC de 0,95 et un kappa de Cohen de 0,67. Les analyses de discordance ont indiqué une sous-estimation moyenne de la durée totale du sommeil de 25 minutes, sans biais proportionnel. Concernant l'analyse critique de l'étude, la sélection de la population et la validité des mesures sont documentées comme adéquates. L'analyse statistique est également jugée adéquate. En revanche, le contrôle des facteurs de confusion n'est pas rapporté dans la source analysée. Les données manquantes, les financements et les conflits d'intérêts ne sont pas rapportés dans la source analysée. Cette analyse repose exclusivement sur la lecture du résumé et des métadonnées, ce qui constitue une limitation méthodologique importante. Aucune recommandation clinique n'est formulée. Cette analyse est automatisée.
confounding controlNon déterminable
Aucune information concernant le contrôle des facteurs de confusion n'est mentionnée dans le résumé.
L’information nécessaire n’est pas rapportée dans la source analysée.measure validityFavorable
L'utilisation d'une polysomnographie nocturne en laboratoire scorée par un médecin sert de mesure de référence valide pour les données de sommeil-veille.
Un élément méthodologique adéquat est explicitement documenté.population selectionFavorable
La population d'étude est clairement définie avec un effectif de soixante-cinq enfants âgés de 5,3 à 17,7 ans.
Un élément méthodologique adéquat est explicitement documenté.statistical analysisFavorable
L'analyse statistique utilise une validation croisée de type laisser un sujet de côté, des analyses epoch par epoch avec métriques de performance et des analyses de discordance.
Un élément méthodologique adéquat est explicitement documenté.Cette analyse est produite automatiquement par une IA à partir des sources indiquées, puis l’appréciation est calculée avec des règles versionnées (scientific_analysis_v2). Elle ne constitue ni une validation par un professionnel ni une recommandation clinique. Consulter la méthodologie.
Classification détaillée
Informations sur l’article
- Publication
- Étude transversale
- Source
- PubMed — neurosciences cognitives developpementales
- Date
- 24 oct. 2026
- Langue
- Anglais
- Accès
- abstract only
- Licence
- Non déterminée