Visualisation des phénotypes de l’insomnie à l’aide de techniques de réduction de la dimensionnalité

Objectif De nombreux indicateurs peuvent être calculés à partir d’un hypnogramme, comme la durée des phases de sommeil ou encore les probabilités de transitions, transformant ainsi une collection d’enregistrements de sommeil en un espace de grande dimension. Nous avons utilisé 3 techniques de réduction de la dimensionnalité pour visualiser les phénotypes de l’insomnie à partir d’un ensemble d’hypnogrames d’insomniaques et de bons dormeurs : l’analyse en composantes principales (ACP), la t-distributed stochastic neighbor embedding (t-SNE) et l’approximation et la Uniform manifold approximation and projection (UMAP). Méthodes 519 enregistrements de sommeil ont été inclus avec divers diagnostics suivants : 46 insomnies d’endormissement, 83 mauvaise perceptions du sommeil, 223 insomnies de maintien, 117 insomnies d’endormissement et de maintien et 50 témoins (bon sommeil). Un premier ensemble de 54 variables par hypnogramme a été calculé. Ces variables ont ensuite été projetées et visualisées dans un espace bidimensionnel à l’aide de l’ACP, du t-SNE et de l’UMAP. Résultats La matrice de co-ranking a été calculée pour les 3 techniques : ACP : Kmax=103, Qlocal=0,38 ; tSNE : Kmax=20, Qlocal=0,44 ; UMAP : Kmax=160, Qlocal=0,44. Conclusion La réduction de la dimensionnalité et les techniques non supervisées sont des méthodes prometteuses lorsqu’il s’agit d’aborder des espaces de haute dimensionnalité. La réduction de la dimensionnalité des enregistrements d’insomnie pourrait être améliorée par l’ajout de nouvelles variables issues de l’analyse EEG ou de l’hypnodensité.