Name

Applications et intérêts de l’OCT-Angiographie en Machine Learning dans le dépistage du Syndrome d’Apnées Obstructives du Sommeil

Le Syndrome d'Apnées Obstructives du Sommeil (SAOS) est une pathologie fréquente dont l'incidence est estimée entre 5 et 14 % chez les adultes âgés de 30 à 70 ans. La polysomnographie (PSG) reste la technique de référence pour le diagnostic du SAOS. Elle requiert une hospitalisation d’une nuit et un monitoring continu dans une infrastructure spécialisée. Notre approche consiste à étudier l'application de Machine Learning (ML) dans le dépistage de patients présentant un SAOS en utilisant l’OCT-Angiographie (OCT-A).

Nous avons réalisé une étude prospective transversale dans les services d’Ophtalmologie et de Pneumologie du CHU de Dijon. Ont été́ recueillis les paramètres démographiques et les paramètres quantitatifs en OCT-A Swept Source. Nous avons également recueilli les données polysomnographiques qui permettaient de connaître le statut SAOS ou non de chaque participant.

L’objectif de notre travail était de tester et comparer les modèles de classification suivants codés en Python v3.8.15 : Support Vector Classification (SVC), linear SVC, régression logistique et arbre de décision. Ces modèles ont été construits de manière à prédire la variable SAOS de manière binaire sur des échantillons test. L’entraînement des modèles a été effectué sur 13 variables réparties en deux catégories de paramètres : 7 variables quantitatives relevées en OCT-A (ZAC, indices de perfusion et de densité microvasculaire) et 6 variables clinico-démographiques (âge, sexe, dyslipidémie, statut tabagique, diabète et hypertension artérielle).

Les données concernant 169 sujets ont été recueillies (97 patients atteints de SAOS et 72 patients indemnes) pour un total de 329 yeux (188 yeux atteints et 141 yeux sains). L’âge moyen était de 51,3 ans (σ = ± 19,9) et les femmes représentaient 58,6% de notre cohorte. On comptait 17,2% de patients dyslipidémiques, 18,3% de patients tabagiques, 8,3% de patients diabétiques et 25,4% de patients hypertendus. Les meilleurs prédictions moyennes ont été obtenues grâce aux modèles de régression logistique, SVC et linear SVC avec respectivement 73,2%, 71,6% et 69,5% de prédictions justes. L’application de modèles d’ensemble comme ceux du Randoms Forests, Bagging et Adaboost ont montré de meilleures performances en termes de variance (0,122, 0,071, 0,044 respectivement).

Notre travail montre l’intérêt potentiel du ML dans le dépistage du SAOS grâce aux données OCT-A recueillies lors d’une consultation ophtalmologique. En effet, plusieurs des modèles testés sur notre cohorte présentaient un taux de réussite supérieur à 70%.

La lecture et la modélisation via des estimateurs de ML des données quantitatives en OCT-A constituent une voie prometteuse pour le dépistage et diagnostic du SAOS.