Monitoring du sommeil de bébés prématurés par fusion de données multimodales et approches auto-apprenantes – SLEEPINESS

La prématurité est une naissance survenue avant 37 semaines de grossesse. En raison de l'immaturité de toutes leurs fonctions physiologiques, les prématurés sont exposés à une morbidité élevée et leur état de santé est évalué par la surveillance continue de plusieurs signes vitaux (activité cardiaque, respiration...). Le sommeil est important pour le développement du cerveau néonatal car les altérations de sommeil ont été associées à une altération des fonctions neurocognitives et augmentent le risque de maladies cardio-métaboliques. Jusqu'à présent, l'évaluation de l'altération du sommeil n'était accessible que par la polysomnographie ou par l'observation des états comportementaux (activité corporelle, état des yeux, rythme cardio-respiratoire, vocalisations...) par des experts. Ces méthodes sont difficiles à appliquer, réalisées sur des périodes de temps limitées et, pour la polysomnographie, dans un environnement standardisé. De plus, les analyses restent subjectives et chronophages. La surveillance continue du sommeil peut devenir accessible grâce au traitement du signal et à l'intelligence artificielle. Ceci permettra de prendre en compte la qualité du sommeil néonatal dans l'optimisation de l'environnement et du traitement des nouveau-nés, avec des avantages potentiels à court et à long terme.
Dans SLEEPINESS, nous proposons de développer un outil permettant une évaluation précise, structurée et systémique du sommeil. Deux types de données seront étudiés : i) les signaux électrophysiologiques (électrocardiogramme et respiration) et ii) les modalités audio et vidéo, qui fourniront des informations sur les vocalisations et les mouvements du bébé, respectivement. Cette technique ne nécessite pas de capteurs supplémentaires pour les bébés puisque i) l'ECG et la respiration font partie des signaux déjà acquis en continu, et ii) les acquisitions audio et vidéo sont sans contact.
Cette stratégie, aussi proche que possible de la pratique clinique appliquée lors des annotations manuelles, devrait permettre d'obtenir des performances de classification supérieures aux méthodes existantes. En effet, cette approche à partir de quatre modalités n'a jamais été mise en œuvre dans la littérature. L'une des raisons est qu'elle nécessite une base de données spécifique, mais aussi une grande quantité d'annotations. Dans SLEEPINESS, nous exploiterons deux bases de données existantes et partiellement annotées.
Des paramètres devront être extraits du mouvement, des vocalisations, et des variabilités cardiaque et respiratoire. Pour cela, nous devrons tenir compte de la spécificité de l'environnement, les données ayant été enregistrées en contexte clinique. Nous avons déjà abordé cette question dans des travaux antérieurs, mais plusieurs limitations ont été observées et devront être résolues. Pour le mouvement, une attention particulière sera portée aux périodes non analysables (adulte dans le champ de la caméra ou nouveau-né sorti du lit). Pour l’audio, l'extraction des pleurs est également un défi en contexte clinique, d'autres sons (alarmes, voix d'adultes...) pouvant être capturés. En outre, non seulement les pleurs, mais aussi d'autres types de vocalisations («chouinements»), parfois difficiles à identifier, seront pertinents dans ce contexte du sommeil.
La fusion des données sera réalisée à l'aide d'une approche auto-supervisée. Elle combinera un modèle général supervisé avec un système d'auto-apprentissage spécifique au patient pour une estimation automatique des stades, basée sur des données massives et l'intelligence artificielle. Ensuite, les états de sommeil estimés seront exportés vers une plateforme de sommeil. Une corrélation avec les événements cliniques du parcours de soins de chaque nouveau-né déjà enregistré dans le centre de données cliniques sera effectuée pour une meilleure compréhension de l'évolution du prématuré. Enfin, la plateforme de sommeil sera conçue selon une approche centrée sur l'utilisateur.