La soutenance de thèse d'Aurélien Bricout-Serrurier de l'équipe TIMC PRETA aura lieu lundi 14 décembre 2020 à 12h sur le thème :

« Conception et développement d'un dispositif médical multimodal innovant
pour le dépistage du Syndrome d'Apnées du Sommeil (SAS). »

Lieu : (Soutenance de thèse confidentielle)

Direction de thèse :

• Pierre-Yves Gumery, Professeur des Universités, Université Grenoble Alpes, laboratoire TIMC, Directeur de thèse
• Julie Fontecave-Jallon, Maîtresse de conférences, Université Grenoble Alpes, laboratoire TIMC, Co-directrice de thèse

Jury : 

• Régine Le Bouquin Jeannes, Professeur des Universités, Université Rennes 1, Rapporteure
• Mounir Chennaou, Ingénieur de Recherche Hdr, Irba – Bretigny-Sur-Orge, Rapporteur
• Patrick Mallea, Docteur-Ingénieur, Société Nehs Digital – Malakof, Examinateur
• Frédéric Gagnadoux, Professeur des Universités - Praticien Hospistralier, Université d’Angers, Examinateur
• Jean-Louis Pepin, Professeur des Universités - Praticien Hospistralier, Université Grenoble Alpes, Examinateur

​ Mots clés :

Multimodalité, Machine Learning, Accélérométrie, Apnées du sommeil
 

​ Résumé :

Le Syndrome d’Apnées du Sommeil (SAS) est une pathologie associée au sommeil et caractérisée par la survenue d’épisodes, fréquents et anormalement distribués, d’arrêt (apnées) ou de diminution (hypopnées) de la ventilation pendant une durée d’au moins 10 secondes. La prévalence du SAS est estimée à 10% de la population mondiale. Cependant, cette pathologie reste largement sous-diagnostiquée, notamment en raison de la lourdeur et la complexité de la méthode diagnostique de référence, la polysomnographie (PSG). L’engorgement des centres du sommeil et l’expertise encore manuelle nécessaire à l’analyse des enregistrements pénalise la prise en charge des patients. Dans ce contexte, un des enjeux de la recherche industrielle est d’alléger les méthodes d’investigation. Dans l’esprit de la classification internationale de l’American Academy of Sleep Medicine (AASM) qui hiérarchise les différentes approches de diagnostic de la polysomnographie en condition surveillée à une polygraphie à un ou deux capteurs, nous cherchons à minimiser le nombre de ces derniers. L’évaluation des performances est à évaluer en regard d’usages qui peuvent aller du diagnostic hospitalier au dépistage à domicile.
Cette thèse propose un double objectif. Le premier réside dans la conception d’un dispositif innovant allégé et basé sur le couplage d’un système accélérométrique et d’un capteur d’électrocardiographie (ECG). Le système accélérométrique utilisant deux niveaux de mesure (thoracique et abdominal) vise une estimation indirecte du débit aérien pour une détection des événements respiratoires. L’évaluation de cette estimation est menée en conditions physiologique et physiopathologique. Dans ce second cas, l’autre objectif de la thèse consiste à développer un environnement d’évaluation de performances automatisé basé sur une solution de Machine Learning. Cette solution s’articule également sur la mise en place d’une base de données spécifique et comportant, à ce jour, 28 patients. La stratégie décisionnelle est ici basée sur un modèle de détection des évènements anormaux et d’estimation de l’Index Apnées-Hypopnées (IAH).
En termes de résultats, une analyse des performances de l’outil décisionnel en condition polysomnographique a démontré que la classification des sujets apnéiques selon l’IAH atteignait une précision de 100%. L ‘analyse des performances du dispositif innovant à l’aide de l’outil décisionnel ainsi validé, a conduit à une précision de 79%, une sensibilité de 80% et une spécificité de 77% sur la base de données disponible. Ces résultats fournissent une preuve de concept pour l’utilisation du dispositif dans un objectif de dépistage du SAS. Pour aller au-delà de la preuve de concept, une augmentation du nombre de patients et de la dimension statistique des résultats restent nécessaire.