Jeu de données de polysomnographie pour l’analyse du sommeil chez les patients victimes d’un AVC ischémique

Pourquoi le sommeil après un AVC mérite de l’attention

Beaucoup de gens savent que le sommeil est important, mais moins réalisent à quel point il influence la capacité du cerveau à se réparer après une lésion. Cette étude présente iSLEEPS, une vaste nouvelle collection d’enregistrements détaillés de nuits de sommeil chez des personnes en convalescence d’un AVC ischémique en Inde. En rendant ces données librement accessibles, les auteurs espèrent accélérer les découvertes sur la façon dont les troubles respiratoires nocturnes influent sur la récupération après un AVC et aider les ingénieurs à concevoir des outils capables d’interpréter automatiquement les tests du sommeil.

AVC, troubles respiratoires et un manque à combler

L’AVC est une cause majeure d’invalidité à long terme, et les troubles respiratoires pendant le sommeil — en particulier les pauses respiratoires appelées apnées du sommeil — sont remarquablement fréquents chez les survivants d’un AVC. Ces perturbations respiratoires peuvent doubler le risque d’un nouvel AVC et sont associées à une récupération plus médiocre dans les activités du quotidien. Les médecins utilisent un test nocturne appelé polysomnographie, qui enregistre les ondes cérébrales, les mouvements oculaires et musculaires, le rythme cardiaque, la respiration et la saturation en oxygène, pour diagnostiquer ces problèmes. Pourtant, malgré son importance, il existe très peu de grands jeux de données ouvertes comportant de tels enregistrements chez des patients victimes d’un AVC, en particulier dans les pays non occidentaux. Les bases publiques existantes sont de petite taille, portent sur des personnes sans AVC ou manquent des annotations détaillées nécessaires pour étudier l’interaction entre sommeil et AVC.

Contenu de la collection iSLEEPS

Le jeu de données iSLEEPS comble cette lacune avec 100 enregistrements nocturnes d’adultes ayant présenté un AVC ischémique dans le mois précédent, tous étudiés dans un important centre de neurosciences à Bengaluru, en Inde. Chaque participant a passé une nuit connecté à plusieurs capteurs qui ont capté les ondes cérébrales, les mouvements oculaires, le tonus musculaire, le rythme cardiaque, le débit d’air, les mouvements thoraciques et abdominaux, le taux d’oxygène, les ronflements et la position du corps. En moyenne, chaque étude a duré environ huit heures, totalisant près de 800 heures de données. Des scoreurs entraînés, supervisés par un spécialiste du sommeil, ont examiné les enregistrements par tranches de 30 secondes, étiquetant les périodes d’éveil, de sommeil léger, de sommeil profond ou de sommeil paradoxal, et marquant les pauses respiratoires, la respiration superficielle, les chutes d’oxygène et les micro-éveils.

Qui sont les patients et à quoi ressemble leur sommeil

Les participants représentent un échantillon réaliste de patients victimes d’un AVC : des conditions courantes telles que le diabète, les maladies cardiaques et l’obésité n’ont pas été exclues. L’âge moyen est légèrement supérieur à 50 ans, avec plus d’hommes que de femmes, reflétant le risque plus élevé d’apnée du sommeil chez les hommes. L’analyse des enregistrements montre que les troubles respiratoires nocturnes sont répandus dans ce groupe. Seule une petite minorité présente une respiration normale, tandis que la majorité se situe dans les catégories d’apnée légère, modérée ou sévère selon le nombre de perturbations respiratoires par heure de sommeil. Le jeu de données recense soigneusement les différents types d’événements — tels que l’apnée obstructive, lorsque les voies aériennes s’effondrent ; l’apnée centrale, lorsque le cerveau cesse brièvement d’envoyer des signaux respiratoires ; et l’hypopnée, une réduction partielle du flux d’air — ainsi que leur fréquence à chaque niveau de gravité.

Tester les données avec des algorithmes modernes

Pour démontrer l’utilité d’iSLEEPS, les chercheurs ont entraîné plusieurs modèles modernes d’apprentissage profond pour attribuer automatiquement les stades de sommeil à partir de canaux uniques d’enregistrements cérébraux ou de mouvements oculaires. Ils ont comparé un réseau convolutionnel, un réseau à mémoire à long terme (LSTM) et un modèle basé sur des transformeurs, chacun conçu pour apprendre des motifs dans des séries temporelles. Les algorithmes ont été entraînés et testés avec rigueur, de sorte que les données d’un même patient n’apparaissaient jamais dans plus d’un ensemble, et les performances ont été évaluées par validation croisée répétée. Parmi ces méthodes, le modèle LSTM a obtenu les meilleurs résultats, étiquetant correctement les stades de sommeil dans environ les trois quarts des cas. Cependant, les performances restent nettement inférieures à celles observées par des modèles similaires chez des volontaires sains, ce qui souligne que l’AVC modifie le sommeil de façons que les systèmes automatisés actuels ne saisissent pas encore complètement.

Ouvrir la voie à de meilleurs soins

En publiant iSLEEPS comme un jeu de données ouvert et bien documenté — comprenant des enregistrements anonymisés, des annotations d’événements détaillées et des informations cliniques de base — les auteurs fournissent une ressource puissante pour les scientifiques, cliniciens et ingénieurs. Les chercheurs peuvent l’utiliser pour explorer comment le sommeil et les troubles respiratoires affectent la récupération après un AVC, comparer des patients entre pays et concevoir et tester de nouveaux algorithmes susceptibles, un jour, de dépister automatiquement les troubles respiratoires dangereux, même en dehors des laboratoires du sommeil spécialisés. Pour les patients et leurs proches, la promesse ultime de ce travail est un diagnostic plus précis et un traitement plus rapide des troubles du sommeil après un AVC, améliorant potentiellement la récupération et la qualité de vie.

Citation: Maiti, S., Sharma, S.K., Mythirayee, S. et al. Polysomnography Dataset for Sleep Analysis in Ischemic Stroke Patients. Sci Data 13, 421 (2026). https://doi.org/10.1038/s41597-026-06747-w

Mots-clés: AVC, apnée du sommeil, polysomnographie, jeu de données sommeil, apprentissage profond