Prédiction d’évènements cérébro- et cardiovasculaires à partir de données de polygraphie, VFC nocturne et questionnaires chez des sujets âgés en util

La mise en place d’un traitement du SAS chez le sujet âgé est toujours débattue. En effet, dans cette population, le lien entre le SAS et l’augmentation du risque de morbi-mortalité n’a pas été clairement établi et les indices de sévérité du SAS utilisés en clinique pour décider d’un traitement (IAH et ODI) restent controversés. Nous avons suivi la morbi-mortalité de la cohorte PROOF-SYNAPSE incluant des sujets âgés (68,4 ± 0,8 ans, 58 % de femme, n = 391), non traités pour le SAS, pendant 16 ans, après avoir subi un examen polygraphique, un Holter-ECG nocturne, un questionnaire de qualité du sommeil (St Mary's Hospital) et un questionnaire de somnolence diurne (Epworth). À partir de variables issues des PG, de la variabilité RR nocturne et des questionnaires, les prédictions de survenue d’AVC ou d’évènements cardiovasculaires (evt CV) ont été calculés en utilisant plusieurs méthodes d’apprentissage (régression logistique, KNN, CART, Adaboost, SVM). Les modèles par apprentissage ont permis de prédire la survenue d’AVC (AUC = 0,71) ou d’evt CV (AUC = 0,67). En plus du sexe, IAH et ODI, certaines variables autonomiques (RRDI, PIP) et issues des questionnaires (auto-estimation de la profondeur et durée du sommeil) étaient fortement impliquées dans les prédictions d’AVC et d’evt CV. Le machine learning permet d’identifier d’autres variables que sexe, IAH, ODI impliquées dans le devenir CV des sujets âgés atteints de SAS et que ceux-ci pourraient aider le praticien à décider d’un traitement dans ces populations.