EP4266981A1 - Procédé standardisé de détermination d'un indice d'apnées+hypopnées ou d'une labélisation fonction de cet indice - Google Patents

Procédé standardisé de détermination d'un indice d'apnées+hypopnées ou d'une labélisation fonction de cet indice

Info

Publication number
EP4266981A1
EP4266981A1 EP21836200.2A EP21836200A EP4266981A1 EP 4266981 A1 EP4266981 A1 EP 4266981A1 EP 21836200 A EP21836200 A EP 21836200A EP 4266981 A1 EP4266981 A1 EP 4266981A1
Authority
EP
European Patent Office
Prior art keywords
patient
data
apnea
morphology
maxillofacial
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP21836200.2A
Other languages
German (de)
English (en)
Inventor
Lionel Sanchez
Fabrice MONNA
Jean-Louis Pepin
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institut National de la Sante et de la Recherche Medicale INSERM
Centre Hospitalier Universitaire de Grenoble
Universite Grenoble Alpes
Universite de Bourgogne
Original Assignee
Institut National de la Sante et de la Recherche Medicale INSERM
Centre Hospitalier Universitaire de Grenoble
Universite Grenoble Alpes
Universite de Bourgogne
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institut National de la Sante et de la Recherche Medicale INSERM, Centre Hospitalier Universitaire de Grenoble, Universite Grenoble Alpes, Universite de Bourgogne filed Critical Institut National de la Sante et de la Recherche Medicale INSERM
Publication of EP4266981A1 publication Critical patent/EP4266981A1/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4818—Sleep apnoea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Definitions

  • the present invention relates to the field of the diagnosis of pathologies from maxillofacial morphological characteristics with the assistance of automatic learning of image analysis. Its application is particularly advantageous in the diagnosis of obstructive sleep apnea syndrome or of pathologies for which a sleep apnea syndrome is very frequently associated.
  • a form of sleep apnea syndrome is linked to airway obstruction. When this obstruction is partial, it is called hypopnea. This obstruction can be complete, we then speak of obstructive apnea.
  • Obstructive Sleep Apnea-Hypopnea Syndrome is a frequent pathology in the population.
  • the literature on this subject reports a prevalence of 4% in men and 2% in women (Young et al. The occurrence of sleep-disordered breathing among middle-aged adults, N Engl J Med, 328, 1230-1235, 1993), more particularly in adults over 50 (Lévy, et al. Obstructive sleep apnoea syndrome, Nature Reviews Disease Primers, 1, 15015, 2015). II corresponds to repeated obstructions of the upper airways during sleep.
  • OSAHS is associated with sleep fragmentation likely to promote daytime sleepiness, attention disorders and increase the risk of accidents (Myers et al.
  • this syndrome is usually treated using a nighttime device that maintains continuous positive airway pressure that limits obstruction and stabilizes the upper airway.
  • OSAHS screening in populations at risk, representing millions of subjects, such as people with hypertension, heart failure, or type 2 diabetes.
  • the Berlin questionnaire is generally used by specialist practitioners, in order to establish a rapid diagnosis which, combined with the specialist's experience, will or will not direct the patient to further examinations for the diagnosis of OSAS.
  • the Berlin questionnaire makes an inventory of the patient's situation with regard to snoring, drowsiness, and hypertension, then translated into a score allowing the orientation or not of the patient for an additional examination.
  • the complementary examination consists of recording respiratory events during the patient's sleep.
  • the reference examination is sleep polysomnography. This examination is carried out in a hospital setting. It quantifies abnormal respiratory events (apnea, hypopnea) during the night, to obtain an apnea+hypopnea index, which can also be referred to in the field as the apnea-hypopnea index, or the acronym AHI.
  • Polysomnography includes an electroencephalogram, to assess sleep pattern, and a recording of cardiorespiratory events (nasal airflow, blood oxygen saturation, heart rate, chest and abdominal expansion).
  • outpatient polygraphy is more accessible because it does not require hospitalization.
  • a device records overnight airflow, blood oxygen saturation, respiratory events, snoring and sleep position to obtain the apnea + hypopnea index.
  • An object of the present invention is therefore to propose making reliable and/or standardizing, by the analysis of morphological characteristics of an upper part of the human body, the diagnosis of a pathology, and more particularly the diagnosis of the syndrome of obstructive sleep apnea-hypopnea.
  • a method for determining an apnea+hypopnea index of a patient or labeling according to an apnea+hypopnea index comprising:
  • the set of data relating to the patient comprises, or makes it possible to determine, data characteristic of the at least maxillofacial morphology of the patient with respect to a reference morphology.
  • Said characteristic data are a function of the positioning of at least four homologous points, on a 3D scan of a portion of the patient's head representing his at least maxillofacial morphology.
  • the determination of said characteristic data depends on the positioning of at least four homologous points, on a 3D scan of a portion of the patient's head representing his at least maxillofacial morphology, - an introduction of the set of data relating to the patient, comprising the characteristic data of the patient's at least maxillofacial morphology, in an automatic learning model trained to predict an apnea + hypopnea index, or a function labeling an apnea+hypopnea index, for said set of data, from a plurality of sets of data from a database relating to a set of distinct patients, each set of data from the database : o comprising at least maxillofacial morphology data relating to a patient of the set, and o being associated with an apnea + hypopnea index, or a labeling function of an apnea + hypopnea index, so that the learning model predicts an apnea+hypo
  • the morphological characteristics of the patient are compared in an automated way with the database, to obtain by comparison the apnea + hypopnea index or the labeling function of this index.
  • the homologous points make it possible to make the alignment between the characteristic data of the patient's morphology and those of all the patients in the database more reliable, and thus to make the prediction more reliable.
  • This method therefore makes it possible to dispense with the observation of these characteristics by a specialist practitioner, and the variability that may arise from this observation, for example from one practitioner to another.
  • the characteristic data of the patient's maxillofacial morphology being taken from a 3D scan comprising a large amount of information, positioning disparities can lead to great variability in the results and therefore limit the reliability of the process.
  • the reference morphology corresponds to that of a reference individual and makes it possible to constitute a reference grid to be applied to the 3D scan of the patient in order to limit the irrelevant variability of the data.
  • the 3D scan is thus processed in such a way as to align the homologous points of the patient and those of the grid.
  • the characteristic data of the patient from the positioning of the homologous points in relation to this reference morphology are therefore obtained by minimizing the deviations unrelated to the apnea-hypopnea syndrome. The process is therefore made more reliable.
  • Obtaining the apnea+hypopnea index, or the labeling according to this index, does not require, for the patient to be diagnosed, the recording of the respiratory events during sleep.
  • the realization of a polysomnography or a polygraphy is avoided for the patient to be diagnosed, with the constraints that these cause, such as difficulties in falling asleep, multiple displacements.
  • the interpretation of polysomnography and polygraphy results are complex and must be carried out by a specialist practitioner, to arrive at the apnea+hypopnea index.
  • the method therefore makes it possible to standardize and facilitate, from the morphological characteristics of a patient, the obtaining of the apnea + hypopnea index, or the labeling according to this index, and therefore the diagnosis of a pathology. linked to the apnea+hypopnea index, for example the diagnosis of OSAHS. Comfort and ease of access to care for the patient are also improved compared to existing solutions. Obtaining the apnea+hypopnea index, or the labeling based on this index, is simplified and accelerated compared to existing solutions, since this index is obtained from a 3D scan of the patient.
  • the method can be implemented by a practitioner who may or may not be a specialist in pathology, or by any operator such as a healthcare professional, for example a pharmacist. Its result can also be returned quickly, for example from the consultation, obtaining the apnea + hypopnea index or the labeling being done by the automatic learning model.
  • the labeling is more particularly a value, qualitative or quantitative, of the risk that the patient presents the pathology.
  • the labeling can have at least two values, a value associated with a low risk and at least one value associated with a proven risk.
  • the labeling presents, among the at least one value associated with a proven risk, at least one value associated with a moderate proven risk of presenting the pathology, and at least one value associated with a severe proven risk of presenting the pathology .
  • the labeling is a function of the apnea-hypopnea index, and in particular a function of the standard threshold value of the apnea+hypopnea index for a pathology, for example OSAS.
  • the labeling presents:
  • the method can comprise the diagnosis of a pathology of the patient, for example OSAHS.
  • the method according to the first aspect can be a pathology diagnostic method, and has the advantages described above. The method thus makes it possible to make reliable and to standardize, by the analysis of morphological characteristics of an upper part of the human body, the diagnosis of a pathology, and more particularly the diagnosis of the syndrome of obstructive sleep apnea-hypopnea.
  • the method may comprise:
  • a diagnosis of a pathology linked to the apnea+hypopnea index for example OSAS.
  • the method may comprise:
  • a diagnosis of the pathology linked to the apnea+hypopnea index for example OSAHS.
  • the method makes it possible to determine a degree of severity of OSAHS.
  • a second aspect, combinable or separable from the first aspect relates to a method executed by a computer and comprising at least the steps stated above in relation to the method according to the first aspect.
  • the method executed by a computer can comprise any step of the method capable of being executed on a computer, for example by a computer program product and/or a remote server.
  • the method for determining the apnea+hypopnea index of the patient may more particularly comprise the method executed by a computer according to this aspect.
  • a third aspect relates to a remote server capable of communicating with a computer program product, and comprising means for implementing the method according to the first aspect and/or the method according to the second aspect.
  • the remote server includes:
  • a database relating to a set of distinct patients comprising a plurality of data sets, each set of data from the database: o comprising at least maxillofacial morphology data relating to a patient of the set , o being associated with an apnea+hypopnea index, or a labeling function of an apnea+hypopnea index, and
  • an automatic learning model trained to predict an apnea+hypopnea index, or a labeling function of an apnea+hypopnea index, for said data set, from the database.
  • the remote server is configured for:
  • the remote server can be configured to update the database following receipt of a set of data relating to the patient, supplemented by the patient's apnea+hypopnea index measured by polysomnography or ambulatory polygraphy .
  • the measured apnea+hypopnea index can be included in the set of data relating to the patient. This set can be added to the database and thus update it, to improve the machine learning model.
  • a fourth aspect relates to a computer program product comprising instructions, which when they are carried out by at least one processor, execute at least, from the method according to the first aspect and/or from the method according to the second aspect, a sending to the remote server of the set of data relating to the patient, the set of data relating to the patient comprising, or making it possible to determine, data characteristic of the at least maxillofacial morphology of the patient with respect to a reference morphology, said data characteristics being a function of the positioning of at least four homologous points, on a 3D scan of a portion of the patient's head representing his at least maxillofacial morphology, where appropriate the determination of said data being a function of the positioning of at least four homologous points, on a 3D scan of a portion of the patient's head representing at least his maxillofacial morphology.
  • the ordination program product comprises the determination of said data according to the positioning of at least four homologous points, on the 3D scan of a portion of the patient's head representing his at least maxillofacial morphology.
  • the computer program product can be configured to receive, from the remote server, the apnea+hypopnea index.
  • a fifth aspect relates to a computer program product comprising instructions, which when performed by at least one processor, execute at least the method according to the first aspect and/or the method according to the second aspect:
  • the reception of the set of data relating to the patient comprising, or making it possible to determine, data characteristic of the at least maxillofacial morphology of the patient with respect to a reference morphology, said characteristic data being a function of the positioning of at least least four homologous points, on a 3D scan of a portion of the patient's head representing his at least maxillofacial morphology, where appropriate the determination of said data being a function of the positioning of at least four homologous points, on a 3D scan of a portion of the patient's head representing his morphology at least maxillofacial,
  • a sixth aspect relates to a kit for implementing the method according to the first aspect, comprising at least one computer program product according to any one of the two preceding claims, a scanner capable of acquiring the 3D scan of a portion of the patient's head representing his morphology at least maxillofacial, and preferably maxillofacial and submandibular.
  • the kit may additionally include a patient head alignment device.
  • FIG. 1 represents steps of the method for determining an apnea+hypopnea index of a patient, according to an exemplary embodiment, where optional steps of the method are indicated in dotted lines and parallel paths indicate variants of the method .
  • FIG. 2 represents the kit and the remote server, according to an exemplary embodiment.
  • Figure 3 illustrates the verification of the alignment of the patient's head by a alignment device, according to an exemplary embodiment.
  • Figure 4 shows an example of data characteristic of the maxillofacial and submandibular morphology of a patient, determined from seven homologous points.
  • Figure 5 is a graph of the proportion of variance expressed by the characteristic morphology data represented in Figure 4, as a function of an increasing number of principal components, after a principal component analysis.
  • FIGS. 6A and 6B represent an example of projection of the patient (black), measured several times, and of patients from the database (white) in a plane defined respectively by the first and the second principal component in FIG. 6A; the first and third principal components in FIG. 6B.
  • the data set relating to the patient can be provided in the form of: o a 3D scan of a portion of the patient's head representing the morphology at least maxillofacial, and preferably maxillofacial and submandibular, of the patient, o a 3D scan of a portion of the patient's head representing the morphology at least maxillofacial, and preferably maxillofacial and submandibular, of the patient, on which are positioned homologous points o characteristic data of the morphology of the patient, determined according to the positioning of homologous points on a 3D scan representing the morphology at least maxillofacial, and preferably maxillofacial and submandibular of the patient,
  • the method comprising, prior to the introduction of the set of data relating to the patient in the model automatic learning: o a positioning of at least four homologous points on the 3D scan, o the determination, from the positioned homologous points, of the characteristic data of the patient's at least maxillofacial morphology compared to the reference morphology .
  • the method comprising, prior to the introduction of the set of data relating to the patient in the automatic learning model, the determination, from the at least four positioned homologous points, of the data characteristic of the at least maxillofacial morphology of the patient compared to the reference morphology,
  • the provided set of data relating to the patient includes the data characteristic of the at least maxillofacial morphology of the patient compared to the reference morphology, as determined according to the positioning of the homologous points on the 3D scan of a portion of the patient's head,
  • the set of data relating to the patient additionally comprises, or makes it possible to additionally determine, data characteristic of the patient's submandibular morphology with respect to the reference morphology, said characteristic data being a function of the positioning of at least three points additional homologs, on the 3D scan of a portion of the patient's head representing his at least maxillofacial and submandibular morphology, where appropriate the determination of said data depending on the positioning of at least three additional homologous points, on the scan 3D of a portion of the patient's head representing his maxillofacial and submandibular morphology,
  • the three additional homologous points correspond to locations on the patient's chest, for example the three homologous points correspond to the acromioclavicular joints, and/or to the sternal notch.
  • the determination of the characteristic data of the morphology at least maxillofacial, preferably maxillofacial and submandibular, of the patient compared to the reference morphology includes a reduction of the dimensionality of the data resulting from the positioning of the at least four homologous points, preferably of the at least seven homologous points, for example by a principal component analysis,
  • the patient data set further includes additional patient clinical information data.
  • additional patient clinical information data are, for example, chosen from among an index of the patient's diverence, indices of the obstruction of the upper airways of the clinical examination, data from the medical questionnaire.
  • the machine learning model may be trained to predict the apnea+hypopnea index, or labeling as a function of an apnea+hypopnea index, for a set of patient data, from the plurality of sets data from the database, each set of data from the database comprising said additional data of clinical information relating to a patient of the set,
  • the set of data relating to the patient additionally comprises, or makes it possible to additionally determine, additional data characteristic of the maxillofacial morphology of the patient in at least one position among a prognathic position and a retrognathic position, preferably a position of maximum prognathia and a position of maximum retrognathia,
  • the method includes the acquisition of the 3D scan of a portion of the patient's head representing his morphology at least maxillofacial, preferably maxillofacial and submandibular,
  • the acquisition of the 3D scan includes a verification of the alignment of the patient's head, and more particularly of the horizontality of the reference plane of the patient's head, by an alignment device,
  • the method comprises the return, from the remote server to a computer program product, of the apnea+hypopnea index, or of the labeling, predicted for the patient data set,
  • the method includes displaying, by the computer program product, the apnea+hypopnea index, or labeling, predicted for the patient data set,
  • the determination of the characteristic data of the morphology at least maxillofacial of the patient compared to the reference morphology includes: o an application of a reference grid resulting from the reference morphology to the 3D scan of the patient, o the positioning of the homologous points on the 3D scan of the patient, o a alignment of homologous points of the patient and the reference grid,
  • the reference grid comprises semi-homologous points arranged between the homologous points, preferably equidistant from each other,
  • the determination of the patient's characteristic data includes an iterative adjustment of the semi-homologous points on the reference grid so as to minimize the deformation of the grid compared to the 3D scan of the patient,
  • the characteristic data of the at least maxillofacial morphology of the patient compared to the reference morphology comprise a set of homologous points and a set of semi-homologous points arranged between the homologous points, preferably the set of semi-homologous points comprises at least 200 and preferably at least 300 points.
  • the data includes a large number of points to more accurately represent the patient's morphology. The reliability of the method is thus improved.
  • the term 3D scan refers to an image resulting from a procedure providing the three-dimensional image resulting from at least one medical imaging technique.
  • the medical imaging technique is non-irradiating for the patient.
  • One type of medical imaging being considered is an infrared light scanner. This technique has the advantage of being harmless and non-ionizing for the patient. Note that it is possible to obtain a 3D scan by photogrammetry, which is just as harmless for the patient. It is also possible to provide for obtaining a 3D scan by lasergrammetry.
  • the 3D scanner is made in a frontal position to the patient and represents, around an axis of revolution parallel to the vertical or longitudinal axis of the patient, at least one third, and preferably half, its maxillofacial morphology, and preferably its maxillofacial and submandibular morphology.
  • the 3D scan represents the frontal morphology of the patient's head:
  • a plurality of two-dimensional scans may further be used to form the 3D scan.
  • homologous points points representing the same place of the face or of the bust between different 3D scans, for example of distinct patients. These points represent a homology between the 3D scans, i.e. the same morphological characteristic. As a homologous point, we can cite:
  • Clinical Patient Information means data about a patient that has been acquired through examination by a healthcare professional. It may include at least one of the following: age, sex, height, weight, BMI, anthropological type, health status, history, answers to a health questionnaire, data clinical examination and patient risk factors.
  • the term "automatic learning”, which can be translated into English by machine learning, refers to one or more computer algorithms capable of automatically performing one or more predictions and/or classifications without explicit programming.
  • the computer algorithm can construct the learning model from learning data, and in particular from the database.
  • the machine learning model can be linked to the database hosted by the remote server.
  • the learning model is itself hosted on the remote server.
  • the machine learning model may not be linked to the database hosted by the remote server, when implementing the method.
  • the machine learning model was trained on the training data, and then implemented in a computer program product that could operate independently of the server, during the implementation of the method. This does not preclude updates to the machine learning model, for example by communication between the remote server and the computer program product.
  • a parameter "substantially equal/greater/less than” a given value that this parameter is equal/greater/less than the given value, to within plus or minus 10%, or even to within plus or minus 5% of this value.
  • Method 1 includes providing 10 a set of data relating to a patient.
  • the set of data relating to the patient comprises, or makes it possible to determine, data characteristic of the morphology at least maxillofacial, and preferably maxillofacial and submandibular, of the patient compared to a reference morphology.
  • data characteristic of the morphology at least maxillofacial, and preferably maxillofacial and submandibular, of the patient compared to a reference morphology.
  • These data are determined from a 3D scan of the patient's head 6, representing his maxillofacial morphology, and preferably his maxillofacial and submandibular morphology.
  • the 3D scan can be processed to determine 11 characteristic data of the patient's morphology.
  • these data are characteristic of the maxillofacial and submandibular morphology of the patient.
  • the characteristics described below can be applied to the example in which the characteristic data is determined from a 3D scan representing only the maxillofacial morphology of the patient.
  • the set 12 of data relating to the patient comprising these characteristic data of the morphology, is introduced 13 into the automatic learning model.
  • the automatic learning model is trained to predict, from a database, an apnea+hypopnea index and/or a labeling function of this index, for the set 12 of data relating to the patient.
  • the database comprises a plurality of data sets of distinct persons, hereinafter referred to as patients. These patients may be healthy or present with a pathology linked to the apnea+hypopnea index.
  • Each set of data includes at least morphology data and the apnea+hypopnea index, and/or a labeling function of this index, of a patient.
  • the apnea+hypopnea index may more particularly have been measured, for example by polygraphy or preferably by polysomnography.
  • the labeling can result from a transformation of an apnea+hypopnea index into a qualitative or quantitative value of the risk that the patient presents a pathology. This transformation can for example be carried out during the constitution of the database, or during an update of this database, described later.
  • the labeling can have a value associated with a low risk and at least one value associated with a proven risk.
  • the labeling presents at least one value associated with a proven moderate risk of presenting the pathology, and at least one value associated with a proven severe risk of presenting the pathology.
  • the labeling can be derived from the apnea+hypopnea index, compared to one or more standard threshold values of this index.
  • These threshold values are preferably standards for the risk of presenting a pathology, established in the medical field for the pathology in question.
  • the labeling can present:
  • the machine learning model is a supervised learning model trained to automatically predict the apnea+hypopnea index and/or labeling for the patient data set 12.
  • the supervised learning model may in particular comprise a mathematical model whose input data are the set 12 of data relating to the patient, and the output data is the apnea+hypopnea index and/or the labeling.
  • the database comprising a plurality of sets of patient data, each comprising the apnea-hypopnea index, and/or a labeling function of this index, and the learning model having been trained on this database , it is understood that the learning model is trained to classify the set 12 of data relating to the patient in order to assign the labeling to it, and/or to predict, from the set 12 of data relating to the patient, the index apneas+hypopneas.
  • the learning model can carry out a binary, even ternary or more classification according to the number of possible labeling values.
  • the apnea+hypopnea index is predicted 14, the learning model can perform a regression.
  • method 1 makes it possible in a standardized and automated way to obtain the apnea+hypopnea index of the patient, from his maxillofacial and submandibular morphology.
  • the apnea+hypopnea indices are measured by standard clinical methods for the patients in the database. However, it is not necessary for this measurement to be carried out for the patient whose apnea+hypopnea index is being sought. Indeed, the characteristic data of the morphology are determined from a 3D scan of the head 6 of the patient.
  • Method 1 therefore makes it possible to dispense with the measurement by polygraphy or by polysomnography, for this patient.
  • Method 1 also makes it possible to dispense with observation of the patient's morphology by a specialized practitioner, and/or at the very least to minimize, or even avoid, variability or a lack of appreciation that may result from this observation.
  • a diagnosis 15 of a pathology linked to this index can be made, preferably supplemented by an evaluation 150 of the degree of severity of the the pathology.
  • the pathology linked to this index may be OSAS, and more particularly Obstructive Sleep Apnea Syndrome, commonly abbreviated OSAS.
  • OSAS is a very prevalent pathology and it is preferable to diagnose it to establish the prognosis of this other pathology, and also better control it. By way of non-limiting examples, this is particularly the case for diabetes and hypertension.
  • OSAHS is very frequent and method 1 would make it possible to facilitate their characterization and/or their diagnosis.
  • this is particularly the case for acromegaly, Crouzon's disease, Apert syndrome, trisomy 21.
  • the method can therefore be used to diagnose a pathology for which OSAS is prevalent and/or for which OSAS is frequent.
  • pathologies can be referenced by the ICD-10, the international classification of diseases, encoding in particular the diseases, signs, symptoms, social circumstances and external causes of illnesses or injuries, and published by the World Health Organization:
  • Non-Alcoholic SteatoHepatitis non-alcoholic steatohepatitis
  • - I509 heart failure
  • the apnea+hypopnea index predicted for the patient can be compared to one or more standard values differentiating:
  • the labeling predicted for the patient can be observed to diagnose the pathology, preferably according to the degree of severity of the pathology.
  • the diagnosis is possible to provide for the diagnosis to be made on the basis of the apnea+hypopnea index, or the predicted labeling, for example supplemented with clinical information on the patient, in particular when the index of 'apnea+hypopnea is substantially around the standard values above, and that the diagnostic probability is reinforced by the symptoms and/or the context.
  • the apnea+hypopnea index predicted for the patient can be compared to the threshold value of 15, differentiating a healthy person for an index significantly lower than 15, of a person with OSAS for an index significantly higher than 15.
  • the apnea + hypopnea index predicted for the patient can be compared to the threshold value of 30, differentiating a person with OSAHS to a moderate degree for an index substantially between 15 and 30, and a person suffering from OSAHS to a severe degree for an index substantially greater than 30.
  • apnea+hypopnea index for the patient can be compared to the threshold value of 15, differentiating a healthy person for an index significantly lower than 15, of a person with OSAS for an index significantly higher than 15.
  • the apnea + hypopnea index predicted for the patient can be compared to the threshold value of 30, differentiating a person with OSAHS to a moderate degree for an index substantially between 15 and 30, and a person suffering from OSAHS to a
  • Method 1 can be implemented by computer program product 2 and/or remote server 3.
  • Computer program product 2 and/or remote server 3 can be configured to implement any computer-executed step of method 1, in particular according to their communication scenario. Different communication scenarios can be envisaged, for example illustrated by FIGS. 1 and 2.
  • the set of data relating to the patient can be provided to a computer program product 2 comprising the machine learning model.
  • the data set is provided by an operator, for example a healthcare professional, on software.
  • Computer program product 2 can be configured to process the 3D scan, or data from this scan, to determine 11 the characteristic data of the patient's morphology.
  • the computer program product 2 can be configured to introduce 13 the set 12 of data relating to the patient, comprising the data characteristic of the morphology of the patient, into the automatic learning model. Because the machine learning model is trained, the computer program product does not need to understand the database. Once identified 14, the apnea+hypopnea index predicted for the patient can then be displayed 161 by the computer program product 2.
  • the data set relating to the patient can be provided 10 to a remote server 3, for example by means of a computer program product 2.
  • the data set is provided 10 by an operator on software, which then sends 101 the set of data for its reception 100 by the remote server 3.
  • the computer program product 2 can be configured to process the 3D scan, or data resulting from this scan, to determine 11 the characteristic data of the patient's morphology, prior to sending 101 to the remote server 3.
  • the remote server 3 can be configured to process the 3D scan, or data from this scan, to determine 11 the characteristic data of the patient's morphology, following receipt of 100 of the data set.
  • the remote server 3 can be configured to introduce 13 the set 12 of data relating to the patient, comprising the characteristic data of the morphology of the patient, into the automatic learning model. Since the remote server 3 hosts the database, the machine learning model can compare 140 to the database the input dataset to predict 14 the apnea+hypopnea index. The apnea+hypopnea index can then be sent 160 by the remote server 3 to the computer program product 2, for example for its display 161.
  • the patient data set can be provided 10 in the form:
  • the computer program product 2 and/or the remote server 3 can be configured to perform the steps leading to the determination 11 of the data characteristic of the patient's morphology.
  • the computer program product 2 and/or the remote server 3 can also be configured to constitute the set 12 of data relating to the patient comprising the characteristic data of his morphology.
  • method 1 may include are now detailed, with reference to figure 1.
  • the method may include acquiring 18 the scan.
  • the 3D scan can be carried out by a scanner 40, for example illustrated in FIG. 2.
  • This scanner 40 can be part of a kit 4, in communication with the computer program product 2, which itself can be, if necessary, capable of communicating with the remote server 3, as for example illustrated by FIG. 2.
  • the scan can typically be carried out approximately 40 to 50 cm from the head 6 of the patient.
  • the scanner 40 can project a cloud of infrared light.
  • a System Sense ⁇ commercial 3D scanner can be used. Those skilled in the art will be able to consider any technical means of medical imaging making it possible to acquire the 3D scan.
  • the posture of the patient is natural, mouth closed, the lips not expressing any particular expression, and a gaze bearing on the horizon.
  • the method may comprise a verification 180 of the alignment of the head 6 of the patient, and more particularly a verification of the horizontality of the reference plane of his head 6
  • the reference plane is a plane passing through the upper part of the connection between the ears and the skull, and the eyes, as illustrated for example by the plane P in figure 3.
  • the patient's posture can be stabilized by a gantry, for example installed along a wall.
  • the horizontality of the reference plane can be checked using a device 41 worn by the patient.
  • this device 41 can comprise glasses equipped with means for checking the horizontality of the reference plane. These means are for example mechanical means such as spirit levels, or electronic means such as an inertial unit.
  • a slot provided on at least one arm of the glasses, in the longitudinal direction of the arm, can make it possible to check the alignment of the patient's eye with the glasses.
  • verifying 180 the patient raises or lowers the head until reaching horizontality.
  • the horizontality of the reference plane on the roll and pitch axes can be ensured by measuring the acceleration remaining preferably vertical during the acquisition 18. Maintaining the heading or yaw can be ensured by measuring the the azimuth at the start of or before the acquisition, this value preferably remaining substantially constant during the acquisition 18 of the 3D scan.
  • the acquisition 18 can comprise an alert step when a modification of the posture of the patient is observed, for example by the measurements of the acceleration and the azimuth.
  • Method 1 can also include a verification of the 3D scan after its acquisition, so as to refuse the scan of a poorly positioned patient, for example with his head tilted or whose posture would have moved during the acquisition. The reliability of method 1 is thus improved.
  • Homologous points 1100 are positioned 110 on the 3D scan. These homologous points allow a first processing of the scan, so as to eliminate the effects of scale between the patients, to improve the alignment between the morphological data of different patients (processing commonly referred to by the English term "registration", aiming to align the same object on two different images using a transformation). In addition, these points can provide an anchor for the determination of semi-homologous points, described later.
  • the homologous points 1100 can be positioned 110 manually by an operator, for example by a healthcare professional. This positioning 110 can be done in an automated way by the computer program product 2 or the remote server 3. After the automated positioning 110, the method 1 can comprise a verification by the operator of the position of these points, the operator being able to move them if their placement is not correct.
  • At least three, preferably four, more preferably six, and even more preferably seven homologous points 1100 can be positioned 110 on the 3D scan. These points can be points located on the face, for example the base of the two ears and/or the pupils, the base of the nose, preferably completed by the tip of the chin. The points located on the face are easily spotted on the 3D scan. When the homologous points 1100 are all points located on the patient's face, the 3D scan may only represent the patient's maxillofacial morphology.
  • At least one, preferably two, and more preferably three additional homologous points 1100 are positioned 110 on the 3D scan, these points being placed on the patient's chest, for example at the acromio-articular joints. clavicular, and/or sternal notch.
  • the 3D scan then represents the maxillofacial and submandibular morphology of the patient.
  • Method 1 thus makes it possible to take into account not only the maxillofacial morphology of the patient, but also the morphology of his bust.
  • the morphological characteristics analyzed represent a broader morphology of the patient. Method 1 is therefore improved.
  • the determination of the characteristic data of the patient's submandibular morphology is facilitated.
  • the submandibular morphology is mainly formed of soft tissues, for which the determination 11 of these data could induce a high variability impacting the processing by the machine learning model, without the addition of these additional 1100 homologous points.
  • the reliability of the method is therefore further improved.
  • targets are preferably placed beforehand on the patient at these points, for example on the two acromioclavicular joints, and/or at the sternal notch, during the acquisition 18 of the 3D scan.
  • the placement of these targets facilitates the identification of homologous points 1100 of the bust regardless of the patient's body morphology, and in particular when the reliefs of the bust are not clearly apparent on the 3D scan due to the presence of fatty tissue.
  • the characteristic data of the patient's morphology are determined in relation to a reference morphology.
  • the reference morphology can be the morphology of a reference individual.
  • a reference individual can be a selected patient from the database.
  • the reference individual is chosen and/or determined from the patients of the database, for example the average shape of at least a part, and preferably of all, of all the patients of the database, or the individual closest to it.
  • the reference morphology can be obtained by an analysis configured to align the 3D scans in a single and same landmark by operations chosen among rotation, translation and scaling operations. According to one example, this analysis is a Procrustes analysis, preferably carried out from the homologous points 1100 positioned on the 3D scans of the database.
  • the reference morphology makes it possible to constitute a grid (which can be translated into English by the term “patch”) of reference to be applied to the 3D scan of the patient.
  • the reference individual can be chosen during the constitution of the database, and preferably be updated during an update of the database. data, described in detail later.
  • the 3D scan can be processed in order to align the homologous points 1100 of the patient with those of the reference individual.
  • the reference grid can be mapped onto the 3D scan.
  • the grid is then deformed to make the corresponding points 1100 of the grid coincide with those of the 3D scan of the patient.
  • Semi-homologous points 1110 can then be determined 111 to constitute the characteristic data of the patient's morphology. Provision can be made for these points to be arranged on the grid, approximately equidistant from each other between the homologous points 1100, so as to map the surface of the 3D scan.
  • the technique known as sliding semi-homologous points which can be translated into English by sliding semi-landmarks, is used.
  • the positioning of at least 200 and preferably at least 300 semi-homologous points can thus be optimized 111.
  • the homologous and/or semi-homological points can then be replaced in a similar way to the patients of the database, so as to place all the individuals in the same space.
  • a second Procrustes analysis can be performed to align all of the homologous 1100 and/or semi-homologous 1110 points with all of the individuals in the database.
  • the data characteristic of the morphology of the patient 6 can comprise a set of homologous points 1100 and a set of semi-homologous points 1110 comprising at least 200 and preferably at least 300 points, these sets of points being arranged in a three-dimensional space, as for example shown in Figure 4.
  • the method can comprise a reduction 112 of the dimensionality of these data.
  • This reduction 112 can be performed using any multidimensional analysis technique accessible to those skilled in the art, depending on the nature of the data (for example, qualitative or quantitative).
  • the volume of data introduced into the machine learning model can be reduced, while retaining the essential three-dimensional information of the patient's morphology.
  • this reduction 112 can be carried out using an analysis into principal components (commonly abbreviated PCA).
  • PCA has the effect of projecting the data in a base of orthogonal principal components, in order to limit the number of variables necessary to apprehend the geometric variations between the individuals, and to keep only the data projected on this limited number of variables.
  • FIG. 5 represents the proportion of variance expressed 8 by the characteristic data of the morphology represented, as a function of the number of main components retained 7. By keeping the projected data in a base comprising the first four main components, 75% of the variance is expressed, and 95% by keeping the projected data in a base comprising the first twenty principal components.
  • the data projected into a base comprising at least the four, preferably at least the ten, and more preferably at least the twenty, first principal components are kept in the set 12 of data which will be introduced 13 into the model of machine learning.
  • Figures 6A and 6B represent an example of projected data of a patient (in black) whose characteristic data of his morphologies have been determined several times, from separate scans, and from all the patients in the database. (in white) in two planes defined by the first three principal components designated PC1: 70, PC2: 71 and PC3: 73.
  • PC1: 70, PC2: 71 and PC3: 73 The variability of the data for all the patients is much greater than the variability of the data for a single patient whose analysis was replicated.
  • the analytical error possibly related to the posture of the patient, to the acquisition by the 3D scanner, or to the placement of the homologous points turns out to be low in the face of the natural variability of the data of all the patients.
  • the set 12 of data relating to the patient, introduced 13 into the automatic learning model can comprise the data characteristic of the morphology of the patient, resulting from the processing operations detailed above. Furthermore, this set 12 can include additional data 120.
  • This data 120 can be clinical information data for the patient. The addition of these data makes it possible to complete the morphological characteristics of the patient, and thus to further improve the method 1.
  • these data 120 can comprise information obtained by a medical questionnaire, such as the BERLIN and NCSAS questionnaires commonly used for the prediagnosis of OSAS.
  • these data 120 may include various morphological or physiological measurements such as hip circumference, cervical and abdominal perimeters, body mass index BMI, calculated on the basis of the patient's mass and height, arterial hypertension.
  • these data 120 can comprise a criterion representative of the pharyngeal anatomy, for example qualified according to the Mallampati classification system. Note that dimensionality reduction can be applied for additional data 120.
  • this set 12 can comprise additional data 121 characteristic of the morphology of the patient in a prognathic position and/or a retrognathic position, these positions preferably being the maximum positions attainable by the patient.
  • a 3D scan can be acquired for one or each of these positions.
  • This or these 3D scan(s) can be processed in the manner detailed above for the 3D scan in normal position.
  • the addition of these data makes it possible to take into account the data of the cricomental space to obtain the apnea+hypopnea index, and thus further improve method 1.
  • taking into account the cricomental space can predicts the success of a mandibular advancement prosthesis for the treatment of OSAHS.
  • the patient data set 12 is fed 13 into the machine learning model.
  • the machine learning model is trained on the database.
  • the training consists of a learning phase, carried out on validated cases.
  • the machine learning model may have been trained by several supervised classification procedures.
  • On a non-limiting basis mention may be made of different types of discriminant analyses, the support vector machine, the decision tree, neural networks, algorithms based on sets such as for example random forests (also referred to as decision tree), the algorithms commonly referred to in the field as “Extreme gradient boosting”, abbreviated XGBoost, “Adaptive Boosting”, abbreviated ADABoost, “majority voting”, “soft voting”, or their combination.
  • the XGBoost algorithm has the particular advantage of accepting missing data in a data set.
  • the person skilled in the art is able to choose the appropriate learning procedure, in particular by evaluating the predictive power of the model, as well as the associated error.
  • the trained machine learning model is configured to best predict an apnea+hypopnea index from data set 12.
  • the error associated with the apnea+hypopnea index predicts 14 for set 12 of data, can be transmitted 160 and/or displayed 161 to the operator with the apnea+hypopnea index.
  • the database comprises a plurality patient data sets.
  • Each set of data can comprise morphology data of a patient of the set, the apnea+hypopnea index of this patient, supplemented by the additional 120 and additional 121 data detailed previously.
  • at least part of the sets, and preferably each set comprises the same data, resulting from the same processing operations, as the set 12 of data introduced 13 into the automatic learning model.
  • the database is preferably anonymous, to comply with data protection requirements.
  • the database can comprise groups grouping together several sets of data of distinct patients, grouped for example according to their anthropological type. Indeed, the reliability of the prediction by the machine learning model can be improved by comparing the morphological characteristics for a given anthropological type.
  • the set 12 of data introduced 13 into the model can comprise a value, for example qualitative, of a class representative of the anthropological type, for example Caucasian, African, Asian.
  • the database can be updated 17.
  • the index d 'apnea+hypopnea and its data set can be transmitted 171 to the server 3 to be added to the database.
  • the machine learning model can be re-evaluated on the new database, in particular to improve its predictive power and minimize the error of the prediction.
  • the model can thus itself be updated, to be used for future predictions.
  • the updated model can be sent from remote server 3 to computer program product 2.
  • the database can preferably be updated with healthy patients, so as not to bias the model with the only introduction of patients suffering from the pathology.
  • the invention proposes a solution for making reliable and/or standardizing, by analyzing characteristics morphology of an upper part of the human body, the diagnosis of a pathology, and more particularly the diagnosis of obstructive sleep apnea-hypopnea syndrome.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

L'invention concerne un procédé de détermination d'un indice d'apnées+hypopnées ou d'une labélisation fonction de cet indice, d'un patient, comprenant une fourniture d'un ensemble de données relatives à un patient comprenant, ou permettant de déterminer, des données caractéristiques de la morphologie maxillo-faciale du patient. La détermination des données caractéristiques est fonction du positionnement d'au moins quatre points homologues (1100, 1110), sur un scan 3D de la tête (60) du patient (6). Le procédé comprend une introduction de cet ensemble dans un modèle d'apprentissage automatique, entrainé pour prédire l'indice d'apnées+hypopnées, ou la labélisation, pour l'ensemble de données, à partir d'une base de données de différents patient comprenant des données de morphologie maxillo-faciale, associées à un indice d'apnées+hypopnées, ou une labélisation fonction d'un indice d'apnées+hypopnées, de sorte que le modèle prédit un indice d'apnées+hypopnées ou une labélisation pour l'ensemble de données relatives au patient.

Description

« Procédé standardisé de détermination d’un indice d’apnées+hypopnées ou d’une labélisation fonction de cet indice »
DOMAINE TECHNIQUE DE L’INVENTION
La présente invention concerne le domaine du diagnostic de pathologies à partir à partir de caractéristiques morphologiques maxillo-faciales avec l’assistance d’un apprentissage automatique d’analyse d’image. Elle trouve pour application particulièrement avantageuse le diagnostic du syndrome d’apnées obstructives du sommeil ou de pathologies pour lesquelles un syndrome d’apnées du sommeil est très fréquemment associé.
ETAT DE LA TECHNIQUE
Une forme du syndrome d’apnées du sommeil est liée à une obstruction des voies aériennes. Lorsque cette obstruction est partielle, on parle d’hypopnée. Cette obstruction peut être complète, on parle alors d’apnée obstructive.
Le Syndrome d’Apnées-Hypopnées Obstructive du Sommeil, aussi abrégé SAHOS, est une pathologie fréquente dans la population. La littérature sur ce sujet rapporte une prévalence de 4 % chez les hommes et de 2 % chez les femmes (Young et al. The occurrence of sleep-disordered breathing among middle-aged adults, N Engl J Med, 328, 1230-1235, 1993), plus particulièrement chez les adultes de plus de 50 ans (Lévy, et al. Obstructive sleep apnoea syndrome, Nature Reviews Disease Primers, 1 , 15015, 2015). II correspond à des obstructions répétées des voies aériennes supérieures durant le sommeil. Le SAHOS est associé à une fragmentation du sommeil susceptible de favoriser une somnolence diurne, des troubles attentionnels et d’augmenter le risque d’accident (Myers et al. Does this patient have obstruction sleep apnea? The rational clinical examination systematic review, JAMA, 310, 731-741, 2013). L’hypoxie intermittente induite par ce syndrome augmente la prévalence de pathologies telles que des pathologies cardio-vasculaires et métaboliques, ainsi que la mortalité des patients. D’une façon générale, ce syndrome altère en outre la qualité de vie des patients et de leur entourage.
Suite à son diagnostic, ce syndrome est généralement traité en utilisant un dispositif nocturne qui maintient une pression positive continue qui limite l’obstruction et stabilise les voies aériennes supérieures. Il existe un besoin considérable pour le dépistage du SAHOS dans les populations à risques, représentants des millions de sujets, tels que les personnes souffrant d’hypertension, d’insuffisance cardiaque, ou de diabète de type 2.
Pour diagnostiquer ce syndrome, le questionnaire de Berlin est généralement utilisé par les praticiens spécialistes, afin d’établir un diagnostic rapide qui, combiné à l’expérience du spécialiste, orientera ou non le patient vers des examens plus poussés pour le diagnostic du SAHOS. Le questionnaire de Berlin fait un état des lieux de la situation du patient vis-à-vis du ronflement, de la somnolence, et de l’hypertension, traduit ensuite en un score permettant l’orientation ou non du patient vers un examen complémentaire.
L’examen complémentaire consiste en l’enregistrement des évènements respiratoires durant le sommeil du patient. L’examen de référence est la polysomnographie du sommeil. Cet examen est réalisé en milieu hospitalier. Il quantifie les événements respiratoires anormaux (apnées, hypopnées) au cours d’une nuit, pour obtenir un indice d’apnées+hypopnées, pouvant être aussi désigné dans le domaine par indice d'apnées hypopnées, ou l’acronyme IAH. La polysomnographie comporte un électro-encéphalogramme, pour évaluer la structure du sommeil, et un enregistrement des événements cardiorespiratoires (débit aérien nasal, saturation du sang en oxygène, fréquence cardiaque, ampliation thoracique et abdominale).
En alternative, la polygraphie ambulatoire est plus accessible car elle ne nécessite pas d’hospitalisation. Au domicile du patient, un appareil enregistre pendant une nuit le flux aérien, la saturation du sang en oxygène, les évènements respiratoires, le ronflement et la position du sommeil pour obtenir l’indice d’apnées+hypopnées.
Toutefois, même dans la version ambulatoire, ces examens complémentaires ne peuvent pas être prescrits de façon systématique du fait de leur coût important, du faible nombre d’appareils disponibles et de la pénurie de personnels qualifiés.
Il existe donc un besoin pour faciliter le dépistage du SAHOS, notamment dans les populations à risques représentants des millions de sujets, tels que les personnes souffrant d’hypertension, d’insuffisance cardiaque, ou de diabète de type 2.
Il existe des documents décrivant un lien entre des caractéristiques morphologies et le SAHOS, et notamment Banabilh, S.M., et al. Craniofacial obesity in patients with obstructive sleep apnea. Sleep Breath 13, 19-24 (2009). Certaines caractéristiques maxillo-faciales peuvent être mesurées directement ou indirectement, et notamment des mesures caractérisant l’anatomie cranio-faciale et l’augmentation de volume des tissus mous (langue, voile du palais). L’anatomie pharyngée est reconnue comme un des acteurs importants dans l’apparition du SAHOS. Si une grande partie de ces caractéristiques sont visibles, elles restent toutefois difficilement quantifiables et analysables, surtout pour des praticiens non spécialistes.
Un objet de la présente invention est donc de proposer de fiabiliser et/ou de standardiser, par l’analyse de caractéristiques morphologiques d’une partie supérieure du corps humain, le diagnostic d’une pathologie, et plus particulièrement le diagnostic du syndrome d’apnées-hypopnées obstructives du sommeil.
Les autres objets, caractéristiques et avantages de la présente invention apparaîtront à l'examen de la description suivante et des dessins d'accompagnement. Il est entendu que d'autres avantages peuvent être incorporés.
RESUME DE L'INVENTION
Pour atteindre cet objectif, selon un premier aspect on prévoit un procédé de détermination d’un indice d’apnées+hypopnées d’un patient ou d’une labélisation fonction d’un indice d’apnées+hypopnées, comprenant :
- une fourniture d’un ensemble de données relatives à un patient, à un serveur distant ou un produit programme d’ordinateur. L'ensemble de données relatives au patient comprend, ou permet de déterminer, des données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à une morphologie de référence. Lesdites données caractéristiques sont fonction du positionnement d’au moins quatre points homologues, sur un scan 3D d’une portion de la tête du patient représentant sa morphologie au moins maxillo-faciale. Le cas échéant, la détermination desdites données caractéristiques est fonction du positionnement d’au moins quatre points homologues, sur un scan 3D d’une portion de la tête du patient représentant sa morphologie au moins maxillo-faciale, - une introduction de l’ensemble de données relatives au patient, comprenant les données caractéristiques de la morphologie au moins maxillo-faciale du patient, dans un modèle d’apprentissage automatique entrainé pour prédire un indice d’apnées+hypopnées, ou une labélisation fonction d’un indice d’apnées+hypopnées, pour ledit ensemble de données, à partir d’une pluralité d’ensembles de données d’une base de données relatives à un ensemble de patients distincts, chaque ensemble de données de la base de données : o comprenant des données de morphologie au moins maxillo-faciale relatives à un patient de l’ensemble, et o étant associé à un indice d’apnées+hypopnées, ou une labélisation fonction d’un indice d’apnées+hypopnées, de sorte que le modèle d’apprentissage prédit un indice d’apnées+hypopnées, ou une labélisation fonction d’un indice d’apnées+hypopnées, à l’ensemble de données relatives au patient.
Ainsi, les caractéristiques morphologiques du patient sont comparées de façon automatisée avec la base de données, pour obtenir par comparaison l’indice d’apnées+hypopnées ou la labélisation fonction de cet indice. Les points homologues permettent de fiabiliser l’alignement entre les données caractéristiques de la morphologie du patient et celles de l’ensemble de patients de la base de données, et ainsi de fiabiliser la prédiction. Ce procédé permet donc de s’affranchir de l’observation de ces caractéristiques par un praticien spécialiste, et de la variabilité pouvant découler de cette observation, par exemple d’un praticien à un autre.
Les données caractéristiques de la morphologie au moins maxillo-faciale du patient étant issues d’un scan 3D comprenant un grand nombre d’informations, des disparités de positionnement peuvent entrainer une grande variabilité dans les résultats et donc limiter la fiabilité du procédé. La morphologie de référence correspond à celle d’un individu de référence et permet de constituer une grille de référence à appliquer au scan 3D du patient afin de limiter la variabilité non pertinente des données. Le scan 3D est ainsi traité de façon à aligner les points homologues du patient et ceux de la grille. Les données caractéristiques du patient à partir du positionnement des points homologues par rapport à cette morphologie de référence sont donc obtenues en minimisant les écarts non liés au syndrome d’apnées- hypopnées. Le procédé est donc fiabilisé.
L’obtention de l’indice d’apnées+hypopnées, ou de la labélisation fonction de cet indice, ne nécessite en outre pas, pour le patient à diagnostiquer, l’enregistrement des évènements respiratoires durant son sommeil. La réalisation d’une polysomnographie ou d’une polygraphie est évitée pour le patient à diagnostiquer, avec les contraintes que celles-ci occasionnent, telles que des difficultés d’endormissement, des déplacements multiples. En outre, l’interprétation des résultats de polysomnographie et de polygraphie sont complexes et doivent être réalisées par un praticien spécialiste, pour aboutir à l’indice d’apnées+hypopnées.
Le procédé permet donc de standardiser et de faciliter, à partir des caractéristiques morphologiques d’un patient, l’obtention de l’indice d’apnées+hypopnées, ou de la labélisation fonction de cet indice, et donc le diagnostic d’une pathologie liée à l’indice d’apnées+hypopnées, par exemple le diagnostic du SAHOS. Le confort et la facilité d’accès aux soins pour le patient sont en outre améliorés par rapport aux solutions existantes. L’obtention de l’indice d’apnées+hypopnées, ou de la labélisation fonction de cet indice, est simplifiée et accélérée par rapport aux solutions existantes, puisque cet indice est obtenu à partir d’un scan 3D du patient. Le procédé peut être mis en œuvre par un praticien spécialiste ou non de la pathologie, ou par tout opérateur tel qu’un professionnel de santé, par exemple un pharmacien. Son résultat peut en outre être rendu rapidement, par exemple dès la consultation, l’obtention de l’indice d’apnées+hypopnées ou de la labélisation étant faite par le modèle d’apprentissage automatique.
Selon un mode de réalisation, la labélisation est plus particulièrement une valeur, qualitative ou quantitative, de risque que le patient présente la pathologie. La labélisation peut présenter au moins deux valeurs, une valeur associée à un risque faible et au moins une valeur associée à un risque avéré. De préférence, la labélisation présente, parmi l’au moins une valeur associée à un risque avéré, au moins une valeur associée à un risque avéré modéré de présenter la pathologie, et au moins une valeur associée à un risque avéré sévère de présenter la pathologie.
La labélisation est fonction de l'indice d'apnée hypopnée, et notamment fonction de valeur seuil standard d’indice d’apnées+hypopnées pour une pathologie, par exemple le SAHOS. Par exemple, la labélisation présente :
- une valeur de risque faible correspondant à un indice d’apnées+hypopnées sensiblement inférieur à 15,
- une valeur de risque avéré correspondant à un indice d’apnées+hypopnées sensiblement supérieur à 15.
La labélisation peut en outre présenter :
- une valeur de risque avéré modéré correspondant à un indice d’apnées+hypopnées sensiblement compris entre 15 et 30, - une valeur de risque avéré sévère correspondant à un indice d’apnées+hypopnées sensiblement supérieur à 30.
Lorsque l’indice d’apnées+hypopnées prédit pour l’ensemble de données relatives au patient est supérieur à une valeur seuil standard d’indice d’apnées+hypopnées, et plus particulièrement supérieur à 15, ou, lorsque la labélisation prédite présente au moins une valeur associée au risque avéré, le procédé peut comprendre le diagnostic d’une pathologie du patient, par exemple du SAHOS. Le procédé selon le premier aspect peut être un procédé de diagnostic de la pathologie, et présente les avantages précédemment décrits. Le procédé permet ainsi de fiabiliser et de standardiser, par l’analyse de caractéristiques morphologiques d’une partie supérieure du corps humain, le diagnostic d’une pathologie, et plus particulièrement le diagnostic du syndrome d’apnées-hypopnées obstructives du sommeil.
Selon un exemple, le procédé peut comprendre :
- une comparaison de l’indice d’apnées+hypopnées prédit pour l’ensemble de données relatives au patient avec une valeur seuil standard d’indice d’apnées+hypopnées,
- une constatation que l’indice d’apnées+hypopnées prédit pour l’ensemble de données relatives au patient est supérieur à la valeur seuil standard d’indice d’apnées+hypopnées, par exemple 15,
- un diagnostic d’une pathologie liée à l’indice d’apnées+hypopnées, par exemple du SAHOS.
Selon un exemple, le procédé peut comprendre :
- une constatation que la labélisation prédite présente une valeur de risque avéré de présenter une pathologie liée à l’indice d’apnées+hypopnées
- un diagnostic de la pathologie liée à l’indice d’apnées+hypopnées, par exemple du SAHOS.
Selon un exemple, lorsque l’indice d’apnées+hypopnées prédit pour l’ensemble de données relatives au patient est sensiblement compris entre 15 et 30, ou lorsque la labélisation prédite présente une valeur associée au risque avéré modéré, le patient est diagnostiqué pour un syndrome d’apnées-hypopnées obstructives du sommeil de degré modéré, et lorsque l’indice d’apnées+hypopnées prédit pour l’ensemble de données relatives au patient est sensiblement supérieur à 30, ou lorsque la labélisation prédite présente une valeur associée au risque avéré sévère, le patient est diagnostiqué pour un syndrome d’apnées-hypopnées obstructives du sommeil de degré sévère. Ainsi, le procédé permet de déterminer un degré de sévérité du SAHOS.
Un deuxième aspect, combinable ou séparable au premier aspect, concerne une méthode exécutée par un ordinateur et comprenant au moins les étapes énoncées ci- dessus relativement au procédé selon le premier aspect. La méthode exécutée par un ordinateur peut comprendre toute étape du procédé susceptible d’être exécutée sur un ordinateur, par exemple par un produit programme d’ordinateur et/ou un serveur distant. Le procédé de détermination de l’indice d’apnées+hypopnées du patient peut plus particulièrement comprendre la méthode exécutée par un ordinateur selon cet aspect.
Un troisième aspect concerne un serveur distant apte à communiquer avec un produit programme d’ordinateur, et comprenant des moyens pour la mise en œuvre du procédé selon le premier aspect et/ou de la méthode selon le deuxième aspect. Le serveur distant comprend :
- une base de données relative à un ensemble de patients distincts comprenant une pluralité d’ensembles de données, chaque ensemble de données de la base de données : o comprenant des données de morphologie au moins maxillo-faciale relatives à un patient de l’ensemble, o étant associé à un indice d’apnées+hypopnées, ou une labélisation fonction d’un indice d’apnées+hypopnées, et
- un modèle d’apprentissage automatique entrainé pour prédire un indice d’apnées+hypopnées, ou une labélisation fonction d’un indice d’apnées+hypopnées, pour ledit ensemble de données, à partir de la base de données.
Le serveur distant est configuré pour :
- recevoir l'ensemble de données relatives au patient comprenant, ou permettant de déterminer, des données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à une morphologie de référence, le cas échéant la détermination des dites données étant fonction du positionnement d’au moins quatre points homologues, sur un scan 3D d’une portion de la tête du patient représentant sa morphologie au moins maxillo-faciale,
- introduire l’ensemble de données relatives au patient, comprenant les données caractéristiques de la morphologie au moins maxillo-faciale du patient, dans le modèle d’apprentissage automatique entrainé, de sorte que le modèle d’apprentissage prédit un indice d’apnées+hypopnées ou une labélisation fonction d’un indice d’apnées+hypopnées, pour l’ensemble de données relatives au patient. Selon un exemple, le serveur distant peut être configuré pour mettre à jour la base de données suite à une réception d’un ensemble de données relatives au patient, complété de l’indice d’apnées+hypopnées du patient mesuré par polysomnographie ou polygraphie ambulatoire. Ainsi, si le patient effectue une polysomnographie ou polygraphie ambulatoire, par exemple suite au diagnostic de la pathologie par le procédé selon le premier aspect, l’indice d’apnées+hypopnées mesuré peut être inclus dans l’ensemble de données relatives au patient. Cet ensemble peut être ajouté à la base de données et ainsi la mettre à jour, pour améliorer le modèle d’apprentissage automatique.
Un quatrième aspect concerne un produit programme d’ordinateur comprenant des instructions, qui lorsqu’elles sont effectuées par au moins un processeur, exécute au moins, du procédé selon le premier aspect et/ou de la méthode selon le deuxième aspect, un envoi au serveur distant de l’ensemble de données relatives au patient, l'ensemble de données relatives au patient comprenant, ou permettant de déterminer, des données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à une morphologie de référence, lesdites données caractéristiques étant fonction du positionnement d’au moins quatre points homologues, sur un scan 3D d’une portion de la tête du patient représentant sa morphologie au moins maxillo- faciale, le cas échéant la détermination desdites données étant fonction du positionnement d’au moins quatre points homologues, sur un scan 3D d’une portion de la tête du patient représentant sa morphologie au moins maxillo-faciale.
Selon un exemple, le produit programme d’ordination comprend la détermination desdites données en fonction du positionnement des au moins quatre points homologues, sur le scan 3D d’une portion de la tête du patient représentant sa morphologie au moins maxillo-faciale.
Selon un exemple, le produit programme d’ordinateur peut être configuré pour recevoir, depuis le serveur distant, l’indice d’apnées+hypopnées.
Un cinquième aspect concerne un produit programme d’ordinateur comprenant des instructions, qui lorsqu’elles sont effectuées par au moins un processeur, exécute au moins, du procédé selon le premier aspect et/ou de la méthode selon le deuxième aspect :
- la réception de l'ensemble de données relatives au patient comprenant, ou permettant de déterminer, des données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à une morphologie de référence, lesdites données caractéristiques étant fonction du positionnement d’au moins quatre points homologues, sur un scan 3D d’une portion de la tête du patient représentant sa morphologie au moins maxillo- faciale, le cas échéant la détermination desdites données étant fonction du positionnement d’au moins quatre points homologues, sur un scan 3D d’une portion de la tête du patient représentant sa morphologie au moins maxillo- faciale ,
- l’introduction de l’ensemble de données relatives au patient, comprenant les données caractéristiques de la morphologie au moins maxillo-faciale du patient, dans le modèle d’apprentissage automatique entrainé pour prédire un indice d’apnées+hypopnées, ou une labélisation fonction d’un indice d’apnées+hypopnées, pour ledit ensemble de données, à partir d’une pluralité d’ensembles de données d’une base de données relative à un ensemble de patients distincts, chaque ensemble de données de la base de données : o comprenant des données de morphologie au moins maxillo-faciale relatives à un patient de l’ensemble, et o étant associé à un indice d’apnées+hypopnées, ou une labélisation fonction d’un indice d’apnées+hypopnées, de sorte que le modèle d’apprentissage prédit (14) un indice d’apnées+hypopnées ou une labélisation fonction d’un indice d’apnées+hypopnées, pour l’ensemble de données relatives au patient.
Un sixième aspect concerne un kit pour la mise en œuvre du procédé selon le premier aspect, comprenant au moins un produit programme d’ordinateur selon l’une quelconque des deux revendications précédentes, un scanner apte à l’acquisition du scan 3D d’une portion de la tête du patient représentant sa morphologie au moins maxillo-faciale, et de préférence maxillo-faciale et submandibulaire. Le kit peut en outre comprendre un dispositif d’alignement de la tête du patient.
BREVE DESCRIPTION DES FIGURES
Les buts, objets, ainsi que les caractéristiques et avantages de l’invention ressortiront mieux de la description détaillée d’un mode de réalisation de cette dernière qui est illustré par les dessins d’accompagnement suivants dans lesquels :
La figure 1 représente des étapes du procédé de détermination d’un indice d’apnées+hypopnées d’un patient, selon un exemple de réalisation, où des étapes optionnelles du procédé sont indiquées en pointillé et des chemins en parallèles indiquent des variantes du procédé.
La figure 2 représente le kit et le serveur distant, selon un exemple de réalisation.
La figure 3 illustre la vérification de l’alignement de la tête du patient par un dispositif d’alignement, selon un exemple de réalisation.
La figure 4 représente un exemple de données caractéristiques de la morphologie maxillo-faciale et submandibulaire d’un patient, déterminée à partir de sept points homologues.
La figure 5 est un graphique de la proportion de variance exprimée par les données caractéristiques de la morphologie représentées en figure 4, en fonction d’un nombre croissant de composantes principales, après une analyse en composantes principales.
Les figures 6A et 6B représentent un exemple de projection du patient (noir), mesurée plusieurs fois, et de patients de la base de données (blanc) dans un plan défini respectivement par la première et la deuxième composante principales en figure 6A ; la première et la troisième composantes principales en figure 6B.
Les dessins sont donnés à titre d'exemples et ne sont pas limitatifs de l’invention. Ils constituent des représentations schématiques de principe destinées à faciliter la compréhension de l’invention et ne sont pas nécessairement à l'échelle des applications pratiques.
DESCRIPTION DÉTAILLÉE DE L'INVENTION
Avant d’entamer une revue détaillée de modes de réalisation de l’invention, sont énoncées ci-après des caractéristiques optionnelles qui peuvent éventuellement être utilisées en association ou alternativement :
- l’ensemble de données relatives au patient peut être fourni sous la forme : o d’un scan 3D d’une portion de la tête du patient représentant la morphologie au moins maxillo-faciale, et de préférence maxillo-faciale et submandibulaire, du patient, o d’un scan 3D d’une portion de la tête du patient représentant la morphologie au moins maxillo-faciale, et de préférence maxillo-faciale et submandibulaire, du patient, sur lequel sont positionnés des points homologues o des données caractéristiques de la morphologie du patient, déterminées en fonction du positionnement de points homologues sur un scan 3D représentant la morphologie au moins maxillo-faciale, et de préférence maxillo-faciale et submandibulaire du patient,
- l’ensemble fourni de données relatives au patient comprenant un scan 3D d’une portion de la tête du patient représentant la morphologie au moins maxillo-faciale du patient, le procédé comprend, préalablement à l’introduction de l’ensemble de données relatives au patient dans le modèle d’apprentissage automatique : o un positionnement des au moins quatre points homologues sur le scan 3D, o la détermination, à partir des points homologues positionnés, des données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à la morphologie de référence.
- l’ensemble fourni de données relatives au patient comprenant un scan 3D d’une portion de la tête du patient, sur lequel les au moins quatre points homologues sont positionnés, le procédé comprend, préalablement à l’introduction de l’ensemble de données relatives au patient dans le modèle d’apprentissage automatique, la détermination, à partir des au moins quatre points homologues positionnés, des données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à la morphologie de référence,
- l’ensemble fourni de données relatives au patient comprend les données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à la morphologie de référence, telles que déterminées en fonction du positionnement des points homologues sur le scan 3D d’une portion de la tête du patient,
- l'ensemble de données relatives au patient comprend en outre, ou permet de déterminer en outre, des données caractéristiques de la morphologie submandibulaire du patient par rapport à la morphologie de référence, lesdites données caractéristiques étant fonction du positionnement d’au moins trois points homologues supplémentaires, sur le scan 3D d’une portion de la tête du patient représentant sa morphologie au moins maxillo-faciale et submandibulaire, le cas échéant la détermination desdites données étant fonction du positionnement d’au moins trois points homologues supplémentaires, sur le scan 3D d’une portion de la tête du patient représentant sa morphologie maxillo-faciale et submandibulaire,
- les trois points homologues supplémentaires correspondent à des emplacements sur le buste du patient, par exemple les trois points homologues correspondent aux articulations acromio-claviculaires, et/ou à la fourchette sternale.
- la détermination des données caractéristiques de la morphologie au moins maxillo-faciale, de préférence maxillo-faciale et submandibulaire, du patient par rapport à la morphologie de référence comprend une réduction de la dimensionnalité des données issues du positionnement des au moins quatre points homologues, de préférence des au moins sept points homologues, par exemple par une analyse en composantes principales,
- l'ensemble de données relatives au patient comprend en outre des données additionnelles d’informations cliniques sur le patient. Ces données sont par exemple choisies parmi un indice de corpulence du patient, des indices de l’obstruction des voies aériennes supérieure d’examen clinique, des données de questionnaire médical. Le modèle d’apprentissage automatique peut être entrainé pour prédire l’indice d’apnées+hypopnées, ou la labélisation fonction d’un indice d’apnées+hypopnées, pour ensemble de données relatives au patient, à partir de la pluralité d’ensembles de données de la base de données , chaque ensemble de données de la base de données comprenant lesdites données additionnelles d’informations cliniques relatives à un patient de l’ensemble,
- l'ensemble de données relatives au patient comprend en outre, ou permet de déterminer en outre, des données supplémentaires caractéristiques de la morphologie maxillo-faciale du patient dans au moins une position parmi une position de prognathie et une position de rétrognathie, de préférence une position de prognathie maximale et une position de rétrognathie maximale,
- le procédé comprend l’acquisition du scan 3D d’une portion de la tête du patient représentant sa morphologie au moins maxillo-faciale, de préférence maxillo-faciale et submandibulaire,
- l’acquisition du scan 3D comprend une vérification de l’alignement de la tête du patient, et plus particulièrement de l’horizontalité du plan de référence de la tête du patient, par un dispositif d’alignement,
- lorsque l’ensemble de données relatives au patient est fourni à un serveur distant, le procédé comprend le renvoi, depuis le serveur distant vers un produit programme d’ordinateur, de l’indice d’apnées+hypopnées, ou de la labélisation, prédit(e) pour l’ensemble de données relatives au patient,
- lorsque l’ensemble de données relatives au patient est fourni à un produit programme d’ordinateur ou lorsqu’un programme produit d’ordinateur reçoit l’indice d’apnées+hypopnées, ou la labélisation, renvoyé(e) depuis le serveur distant, le procédé comprend l’affichage, par le produit programme d’ordinateur, de l’indice d’apnées+hypopnées, ou de la labélisation, prédit(e) pour l’ensemble de données relatives au patient,
- la détermination des données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à la morphologie de référence comprend : o une application d’une grille de référence issue de la morphologie de référence au scan 3D du patient, o le positionnement des points homologues sur le scan 3D du patient, o un alignement des points homologues du patient et de la grille de référence,
- la grille de référence comprend des points semi-homologues disposés entre les points homologues, de préférence à équidistance les uns des autres,
- la détermination des données caractéristiques du patient comprend un ajustement itératif des points semi-homologues sur la grille de référence de façon à minimiser la déformation de la grille par rapport au scan 3D du patient,
- les données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à la morphologie de référence comprennent un jeu de points homologues et un jeu de points semi-homologues disposés entre les points homologues, de préférence le jeu de points semi-homologues comprend au moins 200 et de préférence au moins 300 points. Ainsi, les données comprennent un grand nombre de points pour représenter plus précisément la morphologie du patient. La fiabilité du procédé est ainsi améliorée.
Il est précisé que dans le cadre de la présente invention, le terme scan 3D (scan en trois dimensions) se rapporte à une image résultant d’une procédure fournissant l’image en trois dimensions issue d'au moins une technique d'imagerie médicale. De préférence, la technique d’imagerie médicale est non-irradiante pour le patient. Un type d’imagerie médicale envisagée est un scanner par lumière infrarouge. Cette technique présente l’avantage d’être inoffensive et non-ionisante pour le patient. Notons qu’on peut prévoir l’obtention d’un scan 3D par photogrammétrie, tout aussi inoffensive pour le patient. On peut en outre prévoir l’obtention d’un scan 3D par lasergrammétrie. Dans le cadre de la présente invention, le scanner 3D est réalisé en position frontale au patient et représente, autour d’un axe de révolution parallèle à l’axe vertical ou longitudinal du patient, au moins un tiers, et de préférence la moitié, de sa morphologie maxillo-faciale, et de préférence de sa morphologie maxillo-faciale et submandibulaire. Selon un exemple, le scan 3D représente la morphologie frontale de la tête du patient :
- des yeux jusqu’au menton, et jusqu’aux oreilles, pour la morphologie maxillo- faciale, - des yeux jusqu’au buste, et plus particulièrement jusqu’aux articulations acromio-claviculaires et la fourchette sternale, et jusqu’aux oreilles, pour la morphologie maxillo-faciale et submandibulaire.
On peut prévoir que le scan 3D comprenne une pluralité de scans, par exemple un scan de la morphologie maxillo-faciale et un scan distinct de la morphologie submandibulaire. Une pluralité de scans en deux dimensions peut en outre être utilisée pour former le scan 3D.
Par « points homologues », on entend des points représentant le même endroit du visage ou du buste entre différents scans 3D, par exemple de patients distincts. Ces points représentent une homologie entre les scans 3D, c’est-à-dire une même caractéristique morphologique. Comme point homologue, on peut citer :
- la jonction entre le lobe d’oreille et les joues,
- la base du nez,
- une, et de préférence les deux, pupille(s),
- une, et de préférence les deux, articulation (s) acromio-claviculaire(s),
- la fourchette sternale.
Le terme « informations cliniques sur le patient » désigne les données relatives à un patient qui ont été acquises par un examen par un professionnel de santé. Elles peuvent comprendre au moins un des éléments suivants : l'âge, le sexe, la taille, le poids, l'IMC, le type anthropologique, l'état de santé, les antécédents, des réponses à un questionnaire de santé, des données de l’examen clinique et des facteurs de risque du patient.
Le terme « apprentissage automatique », que l’on peut traduire en anglais par machine learning, fait référence à un ou plusieurs algorithmes informatiques capables d'effectuer automatiquement une ou plusieurs prédictions et/ou classifications sans programmation explicite. L'algorithme informatique peut construire le modèle d’apprentissage à partir de données d'apprentissage, et notamment à partir de la base de données. Notons que le modèle d’apprentissage automatique peut être lié à la base de données hébergée par le serveur distant. Selon un exemple, le modèle d’apprentissage est lui-même hébergé sur le serveur distant. Le modèle d’apprentissage automatique peut ne pas être lié à la base de données hébergée par le serveur distant, lors de la mise en œuvre du procédé. Par exemple, le modèle d’apprentissage automatique a été entrainé sur les données d’apprentissage, puis a été implémenté dans un produit programme d’ordinateur pouvant fonctionner indépendamment du serveur, lors de la mise en œuvre du procédé. Ceci n’exclut pas des mises à jour du modèle d’apprentissage automatique, par exemple par communication entre le serveur distant et le produit programme d’ordinateur.
Il est précisé que dans le cadre de la présente invention, un paramètre « sensiblement égal/supérieur/inférieur à » une valeur donnée, que ce paramètre est égal/supérieur/inférieur à la valeur donnée, à plus ou moins 10 % près, voire à plus ou moins 5 % près, de cette valeur.
Le procédé 1 de détermination de l’indice d’apnées+hypopnées d’un patient, selon un exemple de réalisation, est maintenant décrit en référence à la figure 1.
Le procédé 1 comprend la fourniture 10 d’un ensemble de données relatives à un patient. L’ensemble de données relatives au patient comprend, ou permet de déterminer, des données caractéristiques de la morphologie au moins maxillo-faciale, et de préférence maxillo-faciale et submandibulaire, du patient par rapport à une morphologie de référence. Ces données sont déterminées à partir d’un scan 3D de la tête 6 du patient, représentant sa morphologie maxillo-faciale, et de préférence de sa morphologie maxillo-faciale et submandibulaire.
Le scan 3D peut être traité pour déterminer 11 des données caractéristiques de la morphologie du patient. Dans la suite, on considère à titre non-limitatif que ces données sont caractéristiques de la morphologie maxillo-faciale et submandibulaire du patient. Sauf mention du contraire, les caractéristiques décrites dans la suite peuvent s’appliquer à l’exemple selon lequel les données caractéristiques sont déterminées à partir d’un scan 3D représentant uniquement la morphologie maxillo-faciale du patient.
L’ensemble 12 de données relatives au patient, comprenant ces données caractéristiques de la morphologie, est introduit 13 dans le modèle d’apprentissage automatique. Le modèle d’apprentissage automatique est entrainé pour prédire, à partir d’une base de données, un indice d’apnées+hypopnées et/ou une labélisation fonction de cet indice, pour l’ensemble 12 de données relatives au patient.
La base de données comprend une pluralité d’ensembles de données de personnes distinctes, ci-après désignés patients. Ces patients peuvent être sains ou présenter une pathologie liée à l’indice d’apnées+hypopnées. Chaque ensemble de données comprend au moins des données de morphologie et l’indice d’apnées+hypopnées, et/ou une labélisation fonction de cet indice, d’un patient.
L’indice d’apnées+hypopnées peut plus particulièrement avoir été mesuré, par exemple par polygraphie ou de préférence par polysomnographie. La labélisation peut être issue d’une transformation d’un indice d’apnées+hypopnées en une valeur qualitative ou quantitative de risque que le patient présente une pathologie. Cette transformation peut par exemple être faite lors de la constitution de la base de données, ou lors d’une mise à jour de cette base de données, décrite ultérieurement. Notamment, la labélisation peut présenter une valeur associée à un risque faible et au moins une valeur associée à un risque avéré. De préférence, la labélisation présente au moins une valeur associée à un risque avéré modéré de présenter la pathologie, et au moins une valeur associée à un risque avéré sévère de présenter la pathologie. Pour cela, la labélisation peut être issue de l’indice d’apnées+hypopnées, par rapport à une ou plusieurs valeurs seuils standard de cet indice. Ces valeurs seuils sont de préférence des standards de risque à présenter une pathologie, établie dans le domaine médical pour la pathologie en question.
Pour le SAHOS ou des pathologies liées, la labélisation peut présenter :
- une valeur de risque faible correspondant à un indice d’apnées+hypopnées sensiblement inférieur à 15,
- une valeur de risque avéré correspondant à un indice d’apnées+hypopnées sensiblement supérieur à 15.
La labélisation peut en outre présenter :
- une valeur de risque avéré modéré correspondant à un indice d’apnées+hypopnées sensiblement compris entre 15 et 30,
- une valeur de risque avéré sévère correspondant à un indice d’apnées+hypopnées sensiblement supérieur à 30.
Le modèle d’apprentissage automatique est un modèle d’apprentissage supervisé entrainé pour prédire de façon automatisée l’indice d’apnées+hypopnées et/ou la labélisation pour l’ensemble 12 de données relatives au patient. Le modèle d’apprentissage supervisé peut notamment comprendre un modèle mathématique dont les données d’entrée sont l’ensemble 12 de données relatives au patient, et la donnée de sortie est l’indice d’apnées+hypopnées et/ou la labélisation.
La base de données comprenant une pluralité d’ensembles de données de patients, comprenant chacun l’indice d’apnée-hypopnée, et/ou une labélisation fonction de cet indice, et le modèle d’apprentissage ayant été entrainé sur cette base de données, on comprend que le modèle d'apprentissage est entrainé pour classifier l’ensemble 12 de données relatives au patient pour lui attribuer la labélisation, et/ou pour prédire, à partir de l’ensemble 12 de données relatives au patient, l’indice d’apnées+hypopnées. Lorsqu’une labélisation est prédite 14, le modèle d’apprentissage peut effectuer une classification binaire, voire ternaire ou plus selon le nombre de valeurs de labélisation possibles. Lorsque l’indice d’apnées+hypopnées est prédit 14, le modèle d’apprentissage peut effectuer une régression. De façon intermédiaire, le modèle d’apprentissage peut classer les individus dans des groupes ordonnés. Dès lors, le procédé 1 permet de façon standardisée et automatisée d’obtenir l’indice d’apnées+hypopnées du patient, à partir de sa morphologie maxillo-faciale et submandibulaire. Les indices d’apnées+hypopnées sont mesurés par des méthodes cliniques standard pour les patients de la base de données. Il n’est toutefois pas nécessaire que cette mesure soit effectuée pour le patient dont on cherche l’indice d’apnées+hypopnées. En effet, les données caractéristiques de la morphologie sont déterminées à partir d’un scan 3D de la tête 6 du patient. Le procédé 1 permet donc de s’affranchir de la mesure par polygraphie ou par polysomnographie, pour ce patient. Le procédé 1 permet en outre de s’affranchir d’une observation de la morphologie du patient par un praticien spécialisé, et/ou pour le moins de minimiser, voire d’éviter, une variabilité ou un manque d’appréciation pouvant découler de cette observation.
À partir de l’indice d’apnées+hypopnées ou de la labélisation prédit(e) pour le patient, un diagnostic 15 d’une pathologie liée à cet indice peut être posé, de préférence complété par une évaluation 150 du degré de sévérité de la pathologie. La pathologie liée à cet indice peut être le SAHOS, et plus particulièrement le Syndrome d’Apnée Obstructive du Sommeil, communément abrégé SAOS. Dans d’autres pathologies le SAHOS est une pathologie très prévalente et il est préférable de le diagnostiquer pour établir le pronostic de cette autre pathologie, et en outre mieux la contrôler. À titre d’exemples non limitatifs, c’est le cas notamment pour le diabète et l’hypertension. Dans certaines maladies rares affectant la morphologie maxillo-faciale, le SAHOS est très fréquent et le procédé 1 permettrait de faciliter leur caractérisation et/ou leur diagnostic. À titre d’exemples non limitatifs, c’est le cas notamment pour l’acromégalie, la maladie de Crouzon, le syndrome d’Apert, la trisomie 21.
Le procédé peut donc être utilisé pour diagnostiquer une pathologie pour laquelle le SAHOS est prévalent et/ou pour laquelle le SAHOS est fréquent. Ces pathologies peuvent être référencées par la CIM-10, la classification internationale des maladies, codant notamment les maladies, signes, symptômes, circonstances sociales et causes externes de maladies ou de blessures, et publiée par l'Organisation mondiale de la santé :
- J47-3 : comprenant essentiellement les apnées-hypopnées du sommeil,
- 110 comprenant l’hypertension,
- I48 comprenant la fibrillation et flutter auriculaires,
- 1219 comprenant l’infarctus du myocarde,
- E119 comprenant le diabète de type 2,
- K758 comprenant la NASH, de l’anglais Non-Alcoholic SteatoHepatitis (stéatohépatite non alcoolique), - I509 comprenant l’insuffisance cardiaque,
- E22O comprenant l’acromégalie,
- Q901 comprenant la trisomie 21.
Pour cela, l’indice d’apnées+hypopnées prédit pour le patient peut être comparé à une ou plusieurs valeurs standards différenciant :
- une personne saine d’une personne souffrant de la pathologie,
- différents degrés de sévérité de la pathologie.
De façon alternative ou complémentaire, la labélisation prédite pour le patient peut être constatée pour diagnostiquer la pathologie, de préférence selon le degré de sévérité de la pathologie.
Notons qu’on peut prévoir que le diagnostic soit posé sur la base de l’indice d’apnées+hypopnées, ou de la labélisation prédit(e) , par exemple complété d’informations cliniques sur le patient, notamment lorsque l’indice d’apnées+hypopnées est sensiblement autour des valeurs standards ci-dessus, et que la probabilité diagnostique est renforcée par les symptômes et/ou le contexte.
Selon un exemple, pour le diagnostic du SAHOS et/ou des pathologies liées au SAHOS, par exemple les pathologies précitées, l’indice d’apnées+hypopnées prédit pour le patient peut être comparé à la valeur seuil de 15, différenciant une personne saine pour un indice sensiblement inférieur à 15, d’une personne atteinte de SAHOS pour un indice sensiblement supérieur à 15. L’indice d’apnées+hypopnées prédit pour le patient peut être comparé à la valeur seuil de 30, différenciant une personne atteinte de SAHOS à un degré modéré pour un indice sensiblement compris entre 15 et 30, et une personne atteinte de SAHOS à un degré sévère pour un indice sensiblement supérieur à 30. Dans la suite on considère à titre non limitatif que le procédé permet de prédire l’indice d’apnées+hypopnées pour le patient. Les caractéristiques suivantes s’appliquent toutefois également au mode de réalisation selon lequel une labélisation est prédite.
Le procédé 1 peut être mis en œuvre par un produit programme d’ordinateur 2 et/ou un serveur distant 3. Le produit programme d’ordinateur 2 et/ou le serveur distant 3 peuvent être configurés pour mettre en œuvre toute étape exécutée par ordinateur du procédé 1, notamment selon leur scénario de communication. Différents scénarii de communications peuvent être envisagés, par exemple illustrés par les figures 1 et 2. Selon un exemple, l’ensemble de données relatives au patient peut être fourni 10 à un produit programme d’ordinateur 2 comprenant le modèle d’apprentissage automatique. Par exemple, l’ensemble de données est fourni 10 par un opérateur, par exemple un professionnel de santé, sur un logiciel. Le produit programme d’ordinateur 2 peut être configuré pour traiter le scan 3D, ou des données issues de ce scan, pour déterminer 11 les données caractéristiques de la morphologie du patient. Le produit programme d’ordinateur 2 peut être configuré pour introduire 13 l’ensemble 12 de données relatives au patient, comprenant les données caractéristiques de la morphologie du patient, dans le modèle d’apprentissage automatique. Le modèle d’apprentissage automatique étant entrainé, il n’est pas nécessaire que le produit programme d’ordinateur comprenne la base de données. Une fois identifié 14, l’indice d’apnées+hypopnées prédit pour le patient peut ensuite être affiché 161 par le produit programme d'ordinateur 2.
Selon un autre exemple, l’ensemble de données relatives au patient peut être fourni 10 à un serveur distant 3, par exemple par le biais d’un produit programme d’ordinateur 2. Par exemple, l’ensemble de données est fourni 10 par un opérateur sur un logiciel, qui envoie 101 ensuite l’ensemble de données pour sa réception 100 par le serveur distant 3. Le produit programme d’ordinateur 2 peut être configuré pour traiter le scan 3D, ou des données issues de ce scan, pour déterminer 11 les données caractéristiques de la morphologie du patient, préalablement à l’envoi 101 au serveur distant 3. Le serveur distant 3 peut être configuré pour traiter le scan 3D, ou des données issues de ce scan, pour déterminer 11 les données caractéristiques de la morphologie du patient, suite à la réception 100 de l’ensemble de données. Le serveur distant 3 peut être configuré pour introduire 13 l’ensemble 12 de données relatives au patient, comprenant les données caractéristiques de la morphologie du patient, dans le modèle d’apprentissage automatique. Le serveur distant 3 hébergeant la base de données, le modèle d’apprentissage automatique peut comparer 140, à la base de données, l’ensemble de données introduit, pour prédire 14 l’indice d’apnées+hypopnées. L’indice d’apnées+hypopnées peut ensuite être renvoyé 160 par le serveur distant 3 vers le produit programme d’ordinateur 2, par exemple pour son affichage 161.
On comprend que les différentes étapes du procédé peuvent être effectuées par l’un et/ou l’autre parmi le produit programme d’ordinateur 2 et le serveur distant 3, selon le scénario de communication entre ces éléments.
L’ensemble de données relatives au patient peut être fourni 10 sous la forme :
- d’un scan 3D représentant la morphologie du patient
- d’un scan 3D représentant la morphologie du patient, sur lequel sont positionnés des points homologues, décrits plus en détail ultérieurement,
- des données caractéristiques de la morphologie du patient, déterminées 11 en fonction du positionnement de points homologues sur un scan 3D représentant la morphologie du patient, comme décrit plus en détail ultérieurement.
Selon la forme des données 10, le produit programme d’ordinateur 2 et/ou le serveur distant 3 peuvent être configurés pour effectuer les étapes aboutissant à la détermination 11 des données caractéristiques de la morphologie du patient. Le produit programme d’ordinateur 2 et/ou le serveur distant 3 peuvent en outre être configurés pour constituer l’ensemble 12 de données relatives au patient comprenant les données caractéristiques de sa morphologie.
Les différentes étapes que peut comprendre le procédé 1 sont maintenant détaillées, en référence à la figure 1.
Le procédé peut comprendre l’acquisition 18 du scan. Pour cela, le scan 3D peut être réalisé par un scanner 40, par exemple illustré en figure 2. Ce scanner 40 peut faire partie d’un kit 4, en communication avec le produit programme d’ordinateur 2, lui- même pouvant être, le cas échéant, apte à communiquer avec le serveur distant 3, comme par exemple illustré par la figure 2. Le scan peut typiquement s’effectuer à environ 40 à 50 cm de la tête 6 du patient. Le scanner 40 peut projeter un nuage de lumière infrarouge. À titre d’exemple, un scanner commercial 3D System Sense © peut être utilisé. L’homme du métier saura envisager tout moyen technique d’imagerie médicale permettant d’acquérir le scan 3D.
De préférence, la posture du patient est naturelle, bouche fermée, les lèvres n’exprimant pas d’expression particulière, et un regard portant à l’horizon. Afin de faciliter la détermination 11 des données caractéristiques de la morphologie du patient, le procédé peut comprendre une vérification 180 de l’alignement de la tête 6 du patient, et plus particulièrement une vérification de l’horizontalité du plan de référence de sa tête 6. Le plan de référence est un plan passant par la partie supérieure de la connexion entre les oreilles et le crâne, et les yeux, comme illustré par exemple par le plan P en figure 3.
Pour cela, la posture du patient peut être stabilisée par un portique, par exemple installé le long d’un mur. En alternative ou en complément, l’horizontalité du plan de référence peut être vérifiée à l’aide d’un dispositif 41 porté par le patient. Comme illustré par exemple par la figure 3, ce dispositif 41 peut comprendre des lunettes équipées de moyens de contrôle de l’horizontalité du plan de référence. Ces moyens sont par exemple des moyens mécaniques tels que des niveaux à bulles, ou des moyens électroniques tels qu’une centrale inertiel le. Une fente aménagée sur au moins une branche des lunettes, dans la direction longitudinale de la branche, peut permettre de vérifier l’alignement de l’œil du patient avec les lunettes. Lors de la vérification 180, le patient lève ou baisse la tête jusqu’à atteindre l’horizontalité. L’horizontalité du plan de référence sur les axes de roulis et de tangage peut être assurée par la mesure de l’accélération restant de préférence verticale au cours de l’acquisition 18. Le maintien du cap ou lacet peut être assuré par la mesure de l’azimut au début de ou avant l’acquisition, cette valeur restant de préférence sensiblement constante durant l’acquisition 18 du scan 3D.
L’acquisition 18 peut comprendre une étape d’alerte lorsqu’une modification de la posture du patient est constatée, par exemple par les mesures de l’accélération et de l’azimut. Le procédé 1 peut en outre comprendre une vérification du scan 3D après son acquisition, de façon à refuser le scan d’un patient mal positionné, avec par exemple la tête inclinée ou dont la posture aurait bougé durant l’acquisition. La fiabilité du procédé 1 est ainsi améliorée.
Des points homologues 1100 sont positionnés 110 sur le scan 3D. Ces points homologues permettent un premier traitement du scan, de façon à éliminer les effets d’échelle entre les patients, pour améliorer la l’alignement entre les données morphologiques de différents patients (traitement communément désigné par le terme anglais « registration », visant à aligner le même objet sur deux images différentes à l'aide d'une transformation). En outre, ces points peuvent fournir un ancrage pour la détermination des points semi-homologues, décrits ultérieurement.
Les points homologues 1100 peuvent être positionnés 110 manuellement par un opérateur, par exemple par un professionnel de santé. Ce positionnement 110 peut être fait de façon automatisée par le produit programme d’ordinateur 2 ou le serveur distant 3. Après le positionnement 110 automatisé, le procédé 1 peut comprendre une vérification par l’opérateur de la position de ces points, l’opérateur pouvant les déplacer si leur placement n’est pas correct.
Au moins trois, de préférence quatre, plus préférentiellement six, et plus préférentiellement encore sept points homologues 1100 peuvent être positionnés 110 sur le scan 3D. Ces points peuvent être des points situés sur le visage, par exemple la base des deux oreilles et/ou les pupilles, la base du nez, complétés de préférence par la pointe du menton. Les points situés sur le visage sont facilement repérables sur le scan 3D. Lorsque les points homologues 1100 sont tous des points situés sur le visage du patient, le scan 3D peut ne représenter que la morphologie maxillo-faciale du patient.
De préférence, au moins un, de préférence deux, et plus préférentiellement trois points homologues additionnels 1100 sont positionnés 110 sur le scan 3D, ces points étant disposés sur le buste du patient, par exemple aux articulations acromio- claviculaires, et/ou à la fourchette sternale. Le scan 3D représente alors la morphologie maxillo-faciale et submandibulaire du patient. Le procédé 1 permet ainsi de prendre en compte non seulement la morphologie maxillo-faciale du patient, mais aussi la morphologie de son buste. Les caractéristiques morphologiques analysées représentent une morphologie plus large du patient. Le procédé 1 est donc amélioré.
Grâce aux points homologues 1100 sur le buste du patient, la détermination des données caractéristiques de la morphologie submandibulaire du patient est facilitée. En effet, la morphologie submandibulaire est principalement formée de tissus mous, pour lesquels la détermination 11 de ces données pourrait induire une forte variabilité impactant le traitement par le modèle d’apprentissage automatique, sans l’addition de ces points homologues 1100 additionnels. La fiabilité du procédé est donc encore améliorée.
Pour faciliter le positionnement 110 de ces points homologues 1100 additionnels, des cibles sont de préférence placées au préalable sur le patient au niveau de ces points, par exemple sur les deux articulations acromio-claviculaires, et/ou au niveau de fourchette sternale, durant l’acquisition 18 du scan 3D. Le placement de ces cibles facilite l’identification des points homologues 1100 du buste quelle que soit la morphologie corporelle du patient, et notamment lorsque les reliefs du buste ne sont pas clairement apparents sur le scan 3D du fait de la présence de tissus graisseux.
Les données caractéristiques de la morphologie du patient sont déterminées par rapport à une morphologie de référence. La morphologie de référence peut être la morphologie d’un individu de référence. Un individu de référence peut être un patient choisi de la base de données. De préférence, l’individu de référence est choisi et/ou déterminé à partir des patients de la base de données, par exemple la forme moyenne d’au moins une partie, et de préférence de la totalité, de l’ensemble des patients de la base de données, ou l’individu s’en rapprochant le plus. La morphologie de référence peut être obtenue par une analyse configurée pour aligner les scans 3D dans un seul et même repère par des opérations choisies parmi des opérations de rotation, translation et de mise à l'échelle. Selon un exemple, cette analyse est une analyse Procrustes, de préférence effectuée à partir des points homologues 1100 positionnés sur les scans 3D de la base de données. Cette analyse est couramment utilisée pour comparer les formes après suppression des composantes en rotation, translation et mise à l’échelle. La morphologie de référence permet de constituer une grille (pouvant être traduit en anglais par le terme « patch ») de référence à appliquer au scan 3D du patient. L’individu de référence peut être choisi lors de la constitution de la base de données, et de préférence être mis à jour lors d’une mise à jour de la base de données, décrite en détail ultérieurement.
À partir du positionnement 110 des points homologues, le scan 3D peut être traité de façon à aligner les points homologues 1100 du patient à ceux de l’individu de référence. Pour cela, la grille de référence peut être plaquée sur le scan 3D. La grille est ensuite déformée pour faire coïncider les points homologues 1100 de la grille et ceux du scan 3D du patient. Des points semi-homologues 1110 peuvent ensuite être déterminés 111 pour constituer les données caractéristiques de la morphologie du patient. On peut prévoir que ces points soient disposés sur la grille, approximativement à équidistance les uns des autres entre les points homologues 1100, de façon à cartographier la surface du scan 3D.
De préférence, la technique dite des points semi-homologues glissants, pouvant être traduite en anglais par sliding semilandmarks, est utilisée. Cela permet d’améliorer la correspondance biologique des points semi-homologues 1110 entre les patients, et donc de fiabiliser encore le procédé 1. Les points semi-homologues 1110 glissent itérativement sur la grille 60, comme par exemple illustré par la figure 4. Le processus d’itération se répète jusqu’à minimiser la déformation de la grille. Le positionnement d’au moins 200 et de préférence au moins 300 points semi-homologues peut ainsi être optimisé 111.
Les points homologues et/ou semi-homologies peuvent ensuite être replacés de façon similaire aux patients de la base de données, de façon à placer tous les individus dans le même espace. Pour cela, une deuxième analyse Procruste peut être effectuée pour aligner l’ensemble des points homologues 1100 et/ou semi-homologues 1110 avec l’ensemble des individus de la base de données.
Les données caractéristiques de la morphologie du patient 6 peuvent comprendre un jeu de points homologues 1100 et un jeu de points semi-homologues 1110 comprenant au moins 200 et de préférence au moins 300 points, ces jeux de points étant disposés dans un espace tridimensionnel, comme par exemple illustré par la figure 4.
Afin de limiter la redondance entre les données caractéristiques de la morphologie de différents patients, le procédé peut comprendre une réduction 112 de la dimensionnalité de ces données. Cette réduction 112 peut être effectuée à l’aide de toute technique d’analyse multidimensionnelle accessible à l’homme du métier, selon la nature des données (par exemple, qualitatives ou quantitative). Ainsi le volume de données introduit dans le modèle d’apprentissage automatique peut être réduit, tout en retenant l’essentiel de l’information tridimensionnelle de la morphologie du patient.
Selon un exemple, cette réduction 112 peut être effectuée à l’aide d’une analyse en composantes principales (communément abrégé ACP). L’ACP a pour effet de projeter les données dans une base de composantes principales orthogonales, afin de limiter le nombre de variables nécessaires pour appréhender les variations géométriques entre les individus, et ne conserver que les données projetées sur ce nombre limité de variables.
À titre d’exemple, la figure 5 représente la proportion de variance exprimée 8 par les données caractéristiques de la morphologie représentées, en fonction du nombre de composantes principales retenues 7. En conservant les données projetées dans une base comprenant les quatre premières composantes principales, 75 % de la variance est exprimée, et 95% en conservant les données projetées dans une base comprenant les vingt premières composantes principales.
De préférence, les données projetées dans une base comprenant au moins les quatre, de préférence au moins les dix, et plus préférentiellement au moins les vingt, premières composantes principales sont conservées dans l’ensemble 12 de données qui sera introduit 13 dans le modèle d’apprentissage automatique.
Les figures 6A et 6B représentent un exemple de données projetées d’un patient (en noir) dont les données caractéristiques de sa morphologies ont été déterminées plusieurs fois, à partir de scans distincts, et de l’ensemble des patients de la base de données (en blanc) dans deux plans définis par les trois premières composantes principales désignées PC 1 : 70, PC2 : 71 et PC3 : 73. La variabilité des données de l’ensemble des patients est bien supérieure à la variabilité des données pour un seul patient dont l’analyse a été répliquée. L’erreur analytique éventuellement liée à la posture du patient, à l’acquisition par le scanner 3D, ou au placement des points homologues s’avère faible face à la variabilité naturelle des données de l’ensemble des patients.
L’ensemble 12 de données relatives au patient, introduit 13 dans le modèle d’apprentissage automatique, peut comprendre les données caractéristiques de la morphologie du patient, issues des traitements précédemment détaillés. En outre, cet ensemble 12 peut comprendre des données additionnelles 120. Ces données 120 peuvent être des données d’information clinique du patient. L’ajout de ces données permet de compléter les caractéristiques morphologies du patient, et ainsi d’améliorer encore le procédé 1. Par exemple, ces données 120 peuvent comprendre des informations obtenues par un questionnaire médical, tels que les questionnaires BERLIN et NCSAS communément employés pour le prédiagnostic du SAHOS. En alternative ou en complément, ces données 120 peuvent comprendre différentes mesures morphologiques ou physiologiques telles que le tour de hanche, les périmètres cervicaux et abdominaux, l’indice de masse corporelle IMC, calculé sur la base de la masse et de la taille du patient, l’hypertension artérielle. En alternative ou en complément, ces données 120 peuvent comprendre un critère représentatif de l’anatomie pharyngée, par exemple qualifiée selon le système de classification de Mallampati. Notons que la réduction de la dimensionnalité peut être appliquée pour les données additionnelles 120.
Par ailleurs, cet ensemble 12 peut comprendre des données supplémentaires 121 caractéristiques de la morphologie du patient dans une position de prognathie et/ou une position de rétrognathie, ces positions de préférence les positions maximales atteignables par le patient. Pour cela, un scan 3D peut être acquis pour l’une ou chacune de ces positions. Ce ou ces scan(s) 3D peuvent être traités de la façon détaillée précédemment pour le scan 3D en position normale. L’ajout de ces données permet de prendre en compte les données de l’espace cricomental pour obtenir l’indice d’apnées+hypopnées, et ainsi améliorer encore le procédé 1. En outre, le prise en compte de l’espace cricomental peut permet de prédire la réussite d’une prothèse d’avancée mandibulaire pour le traitement du SAHOS.
L’ensemble 12 de données relatives au patient est introduit 13 dans le modèle d’apprentissage automatique. Le modèle d’apprentissage automatique est entrainé sur la base de données. L’entrainement consiste en une phase d’apprentissage, réalisée sur des cas validés. Le modèle d’apprentissage automatique peut avoir été entrainé par plusieurs procédures de classification supervisée. À titre non limitatif, on peut citer différents types d’analyses discriminantes, la machine à vecteur de support, l’arbre de décision, les réseaux de neurones, les algorithmes basés sur les ensembles tels que par exemple les forêts aléatoires (désignés aussi forêts d’arbre décisionnel), les algorithmes communément nommés dans le domaine par « Extreme gradient boosting », abrégé XGBoost, « Adaptative Boosting », abrégé ADABoost, le « majority voting », le « soft voting », ou leur combinaison. L’algorithme XGBoost présente notamment l’avantage d’accepter les données manquantes dans un ensemble de données. L’homme du métier est à même de choisir la procédure d’apprentissage appropriée, notamment en évaluant le pouvoir prédictif du modèle, de même que l’erreur associée. Le modèle d’apprentissage automatique entrainé est configuré pour prédire au mieux un indice d’apnées+hypopnées à partir de l’ensemble de données 12. L’erreur associée à l’indice d’apnées+hypopnées prédit 14 pour l’ensemble 12 de données, peut être transmise 160 et/ou affichées 161 à l’opérateur avec l’indice d’apnées+hypopnées.
Comme énoncé précédemment, la base de données comprend une pluralité d’ensembles de données de patients. Chaque ensemble de données peut comprendre des données de morphologie d’un patient de l’ensemble, l’indice d’apnées+hypopnées de ce patient, complétées des données additionnelles 120 et supplémentaires 121 détaillées précédemment. De préférence, au moins une partie des ensembles, et de préférence chaque ensemble, comprend les mêmes données, issues des mêmes traitements, que l’ensemble 12 de données introduit 13 dans le modèle d’apprentissage automatique. Notons que la base de données est de préférence anonyme, pour se conformer aux exigences relatives à la protection des données.
Selon un exemple, la base de données peut comprendre des groupes regroupant plusieurs ensembles de données de patients distincts, regroupés par exemple selon leur type anthropologique. En effet, la fiabilité de la prédiction par le modèle d’apprentissage automatique peut être améliorée en comparant les caractéristiques morphologies pour un type anthropologique donné. Pour cela, l’ensemble 12 de données introduit 13 dans le modèle peut comprendre une valeur, par exemple qualitative, d’une classe représentative du type anthropologique, par exemple Caucasien, Africain, Asiatique.
Si le patient dont on a cherché à obtenir l’indice d’apnées+hypopnées effectue une polygraphie ou une polysomnographie, par exemple suite au diagnostic 15 posé, la base de données peut être mise à jour 17. Pour cela, l’indice d’apnées+hypopnées et son ensemble de données peuvent être transmis 171 au serveur 3 pour être ajoutés à la base de données. Le modèle d’apprentissage automatique peut être réévalué sur la nouvelle base de données, notamment pour améliorer son pouvoir prédictif et minimiser l’erreur de la prédiction. Le modèle peut ainsi lui-même être mise à jour, pour être utilisé pour les futures prédictions. Par exemple, le modèle mis à jour peut être envoyé depuis le serveur distant 3 au produit programme d’ordinateur 2. La base de données peut de préférence être mise à jour avec des patients sains, afin de ne pas biaiser le modèle avec la seule introduction de patients souffrant de la pathologie.
Une étude clinique a été réalisée sur une base de données d’environ 300 patients. Cette étude a démontré qu’il existe un lien entre la morphologie d’un patient et sa propension à présenter un SAHOS. À partir du scan 3D du patient, il a été montré que le procédé 1 permet d’obtenir l’indice d’apnées+hypopnées avec des capacités de discrimination supérieures à celles des outils généralement employés pour un prédiagnostic préalablement à la polysomnographie et la polygraphie ambulatoire, tels que les questionnaires NOSAS et BERLIN.
Au vu de la description qui précède, il apparaît clairement que l’invention propose une solution pour fiabiliser et/ou de standardiser, par l’analyse de caractéristiques morphologiques d’une partie supérieure du corps humain, le diagnostic d’une pathologie, et plus particulièrement le diagnostic du syndrome d’apnée-hypopnée obstructive du sommeil.
L’invention n’est pas limitée aux modes de réalisations précédemment décrits et s’étend à tous les modes de réalisation couverts par l’invention. La présente invention ne se limite pas aux exemples précédemment décrits. Bien d’autres variantes de réalisation sont possibles, par exemple par combinaison de caractéristiques précédemment décrites, sans sortir du cadre de l’invention. En outre, les caractéristiques décrites relativement à un aspect de l’invention peuvent être combinées à un autre aspect de l’invention.

Claims

28 REVENDICATIONS
1. Procédé (1) de détermination d’un indice d’apnées+hypopnées d’un patient ou d’une labélisation fonction d’un indice d’apnées+hypopnées, comprenant :
• une fourniture (10) d’un ensemble de données relatives à un patient, à un serveur distant (3) ou un produit programme d’ordinateur (2), l'ensemble de données relatives au patient comprenant, ou permettant de déterminer, des données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à une morphologie de référence, lesdites données caractéristiques étant fonction du positionnement (110) d’au moins quatre points homologues, sur un scan 3D d’une portion de la tête (6) du patient représentant sa morphologie au moins maxillo-faciale,
• une introduction (13) de l’ensemble (12) de données relatives au patient, comprenant les données caractéristiques de la morphologie au moins maxillo-faciale du patient, dans un modèle d’apprentissage automatique entrainé pour prédire un indice d’apnées+hypopnées, ou une labélisation fonction d’un indice d’apnées+hypopnées, pour ledit ensemble de données, à partir d’une pluralité d’ensembles de données d’une base de données relative à un ensemble de patients distincts, chaque ensemble de données de la base de données : o comprenant des données de morphologie au moins maxillo-faciale relatives à un patient de l’ensemble, et o étant associé à un indice d’apnées+hypopnées, ou une labélisation fonction d’un indice d’apnées+hypopnées, de sorte que le modèle d’apprentissage prédit (14) un indice d’apnées+hypopnées ou une labélisation fonction d’un indice d’apnées+hypopnées, à l’ensemble de données relatives au patient.
2. Procédé (1) selon la revendication précédente, dans lequel :
• lorsque l’indice d’apnées+hypopnées prédit (14) pour l’ensemble de données relatives au patient est supérieur à 15, ou
• la labélisation présentant au moins une valeur associée à un risque faible de présenter une pathologie et au moins une valeur associée à un risque avéré de présenter la pathologie, lorsque la labélisation prédite (14) présente l’au moins une valeur associée au risque avéré, le procédé comprend le diagnostic (15) de la pathologie du patient, par exemple du syndrome d’apnées-hypopnées obstructives du sommeil.
3. Procédé (1) selon la revendication précédente, dans lequel :
• lorsque l’indice d’apnées+hypopnées prédit (14) pour l’ensemble de données relatives au patient est compris entre 15 et 30, ou
• la labélisation présentant au moins une valeur associée à un risque avéré modéré de présenter une pathologie, et au moins une valeur associée à un risque avéré sévère de présenter une pathologie, lorsque la labélisation prédite (14) présente l’au moins une valeur associée au risque avéré modéré, le patient est diagnostiqué (15) d’un syndrome d’apnée-hypopnée obstructive du sommeil de degré modéré (150), et
• lorsque l’indice d’apnées+hypopnées prédit (14) pour l’ensemble de données relatives au patient est supérieur à 30, ou
• lorsque la labélisation prédite (14) présente l’au moins une valeur associée au risque avéré sévère, le patient est diagnostiqué (15) d’un syndrome d’apnée-hypopnée obstructive du sommeil de degré sévère (150).
4. Procédé (1) selon l’une quelconque des revendications précédentes dans lequel, l’ensemble fourni de données relatives au patient comprenant un scan 3D d’une portion de la tête (6) du patient représentant la morphologie au moins maxillo-faciale du patient, le procédé comprend, préalablement à l’introduction (13) de l’ensemble de données relatives au patient dans le modèle d’apprentissage automatique :
• un positionnement (110) des au moins quatre points homologues sur le scan 3D,
• la détermination (11), à partir des points homologues positionnés, des données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à la morphologie de référence.
5. Procédé (1) selon l’une quelconque des revendications 1 à 3, dans lequel, l’ensemble fourni de données relatives au patient comprenant un scan 3D d’une portion de la tête (6) du patient, sur lequel les au moins quatre points homologues sont positionnés, le procédé comprend, préalablement à l’introduction (13) de l’ensemble (12) de données relatives au patient dans le modèle d’apprentissage automatique, la détermination (11), à partir des au moins quatre points homologues positionnés (110), des données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à la morphologie de référence.
6. Procédé (1) selon l’une quelconque des revendications 1 à 3, dans lequel l’ensemble fourni de données relatives au patient comprend les données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à la morphologie de référence, telles que déterminées (11) en fonction du positionnement (110) des points homologues sur le scan 3D.
7. Procédé (1) selon l’une quelconque des revendications précédentes, dans lequel l'ensemble de données relatives au patient comprend en outre, ou permet de déterminer en outre, des données caractéristiques de la morphologie submandibulaire du patient par rapport à la morphologie de référence, lesdites données étant fonction du positionnement d’au moins trois points homologues supplémentaires, sur le scan 3D d’une portion de la tête (6) du patient représentant sa morphologie maxillo-faciale et submandibulaire.
8. Procédé (1) selon l’une quelconque des revendications précédentes, dans lequel, le procédé comprenant la détermination (11), à partir des points homologues positionnés, des données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à la morphologie de référence, la détermination des données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à la morphologie de référence comprend une réduction de la dimensionnalité (112) des données issues du positionnement des au moins quatre points homologues, par exemple par une analyse en composantes principales.
9. Procédé (1) selon l’une quelconque des revendications précédentes, dans lequel l'ensemble de données relatives au patient comprend en outre des données additionnelles (120) d’informations cliniques sur le patient, par exemple choisies parmi un indice de corpulence du patient, des indices de l’obstruction des voies aériennes supérieure d’examen clinique, des données de questionnaire médical, le modèle d’apprentissage automatique étant entrainé pour prédire l’indice d’apnées+hypopnées, ou la labélisation fonction d’un indice d’apnées+hypopnées, pour ledit ensemble de données, à partir de la pluralité d’ensembles de données de la base de données, chaque ensemble de données de la base de données comprenant lesdites données additionnelles d’informations cliniques relatives à un patient de l’ensemble.
10. Procédé (1) selon l’une quelconque des revendications précédentes, dans lequel l'ensemble de données relatives au patient comprend en outre, ou permet de déterminer en outre, des données supplémentaires (121) caractéristiques de la morphologie maxillo-faciale du patient dans au moins une position parmi une position de prognathie et une position de rétrognathie.
11. Procédé (1) selon l’une quelconque des revendications précédentes, le procédé comprenant l’acquisition (18) du scan 3D d’une portion de la tête (6) du patient représentant sa morphologie au moins maxillo-faciale, l’acquisition du scan 3D comprenant une vérification (180) de l’alignement de la tête (6) du patient, par un dispositif d’alignement (41).
12. Procédé (1) selon l’une quelconque des revendications précédentes, dans lequel, lorsque l’ensemble de données relatives au patient est fourni à un serveur distant (3), le procédé comprend le renvoi (160), depuis le serveur distant (3) vers un produit programme d’ordinateur (2), de l’indice d’apnées+hypopnées, ou de la labélisation, prédit(e) pour l’ensemble des données relatives au patient.
13. Procédé (1) selon l’une quelconque des revendications précédentes, dans lequel, lorsque l’ensemble de données relatives au patient est fourni (10) à un produit programme d’ordinateur (2) ou lorsqu’un programme produit d’ordinateur (1) reçoit l’indice d’apnées+hypopnées, ou la labélisation, renvoyé(e) (160) depuis le serveur distant (3), le procédé comprend l’affichage (161), par le produit programme d’ordinateur (2), de l’indice d’apnées+hypopnées, ou de la labélisation, prédit(e) pour l’ensemble des données relatives au patient.
14. Serveur distant (3) apte à communiquer avec un produit programme d’ordinateur (2), pour la mise en œuvre du procédé (1) selon l’une quelconque des revendications 1 à 13, comprenant :
• une base de données relative à un ensemble de patients distincts comprenant une pluralité d’ensembles de données, chaque ensemble de données de la base de données : o comprenant des données de morphologie au moins maxillo-faciale relatives à un patient de l’ensemble, o étant associé à un indice d’apnées+hypopnées, ou une labélisation fonction d’un indice d’apnées+hypopnées, et
• un modèle d’apprentissage automatique entrainé pour prédire un indice d’apnées+hypopnées, ou une labélisation fonction d’un indice d’apnées+hypopnées, pour ledit ensemble de données, à partir de la base de données, le serveur distant (3) étant configuré pour :
• recevoir (100) l'ensemble de données relatives au patient comprenant, ou permettant de déterminer, des données caractéristiques de la 32 morphologie au moins maxillo-faciale du patient par rapport à une morphologie de référence, lesdites données étant fonction du positionnement (110) d’au moins quatre points homologues, sur un scan 3D d’une portion de la tête (6) du patient représentant sa morphologie au moins maxillo-faciale,
• introduire (13) l’ensemble (12) de données relatives au patient, comprenant les données caractéristiques de la morphologie au moins maxillo-faciale du patient, dans le modèle d’apprentissage automatique entrainé, de sorte que le modèle d’apprentissage prédit (14) un indice d’apnées+hypopnées, ou une labélisation fonction d’un indice d’apnées+hypopnées, pour l’ensemble de données relatives au patient.
15. Serveur distant (3) selon la revendication précédente, le serveur distant (3) étant configuré pour mettre à jour (17) la base de données suite à une réception (171) d’un ensemble de données relatives au patient, complété de l’indice d’apnées+hypopnées du patient mesuré (170) par polysomnographie ou polygraphie ambulatoire.
16. Produit programme d’ordinateur (2) pour la mise en œuvre du procédé (1) selon l’une quelconque des revendications 1 à 13, comprenant des instructions, qui lorsqu’elles sont effectuées par au moins un processeur, exécute au moins, un envoi (101) au serveur distant (3) de l’ensemble de données relatives au patient, l'ensemble de données relatives au patient comprenant, ou permettant de déterminer, des données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à une morphologie de référence, lesdites données étant fonction du positionnement (110) d’au moins quatre points homologues, sur un scan 3D d’une portion de la tête (6) du patient représentant sa morphologie au moins maxillo-faciale.
17. Produit programme d’ordinateur (2) pour la mise en œuvre du procédé (1) selon l’une quelconque des revendications 1 à 13, comprenant des instructions, qui lorsqu’elles sont effectuées par au moins un processeur, exécute au moins :
• la réception (100) de l'ensemble de données relatives au patient comprenant, ou permettant de déterminer, des données caractéristiques de la morphologie au moins maxillo-faciale du patient par rapport à une morphologie de référence, lesdites données étant fonction du positionnement (110) d’au moins quatre points homologues, sur un scan 3D d’une portion de la tête (6) du patient représentant sa morphologie au moins maxillo-faciale, 33
• l’introduction (13) de l’ensemble (12) de données relatives au patient, comprenant les données caractéristiques de la morphologie au moins maxillo-faciale du patient, dans le modèle d’apprentissage automatique entrainé pour prédire un indice d’apnées+hypopnées, ou une labélisation fonction d’un indice d’apnées+hypopnées, pour ledit ensemble de données, à partir d’une pluralité d’ensembles de données d’une base de données relative à un ensemble de patients distincts, chaque ensemble de données de la base de données : o comprenant des données de morphologie au moins maxillo-faciale relatives à un patient de l’ensemble, et o étant associé à un indice d’apnées+hypopnées, ou une labélisation fonction d’un indice d’apnées+hypopnées, de sorte que le modèle d’apprentissage prédit (14) un indice d’apnées+hypopnées ou une labélisation fonction d’un indice d’apnées+hypopnées, pour l’ensemble de données relatives au patient.
18. Kit (4) pour la mise en œuvre du procédé selon l’une quelconque des revendications 1 à 13, comprenant au moins un produit programme d’ordinateur (2) selon l’une quelconque des deux revendications précédentes, un scanner (40) apte à l’acquisition du scan 3D d’une portion de la tête (6) du patient représentant sa morphologie au moins maxillo-faciale.
19. Kit (4) selon la revendication précédente, comprenant en outre un dispositif d’alignement (41) de la tête (6) du patient.
EP21836200.2A 2020-12-22 2021-12-17 Procédé standardisé de détermination d'un indice d'apnées+hypopnées ou d'une labélisation fonction de cet indice Withdrawn EP4266981A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2013872A FR3117765B1 (fr) 2020-12-22 2020-12-22 Procédé standardisé de détermination d’un indice d’apnées+hypopnées ou d’une labélisation fonction de cet indice
PCT/EP2021/086651 WO2022136190A1 (fr) 2020-12-22 2021-12-17 Procédé standardisé de détermination d'un indice d'apnées+hypopnées ou d'une labélisation fonction de cet indice

Publications (1)

Publication Number Publication Date
EP4266981A1 true EP4266981A1 (fr) 2023-11-01

Family

ID=77021365

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21836200.2A Withdrawn EP4266981A1 (fr) 2020-12-22 2021-12-17 Procédé standardisé de détermination d'un indice d'apnées+hypopnées ou d'une labélisation fonction de cet indice

Country Status (4)

Country Link
US (1) US20240050030A1 (fr)
EP (1) EP4266981A1 (fr)
FR (1) FR3117765B1 (fr)
WO (1) WO2022136190A1 (fr)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009043080A1 (fr) * 2007-10-04 2009-04-09 Northern Sydney And Central Coast Area Health Service Appareil et procédé pour évaluer la prédisposition à des états ayant une relation avec la morphologie cranio-faciale
ES2386668A1 (es) * 2011-12-30 2012-08-24 Universidad Politécnica de Madrid Sistema de análisis de trastornos del sueño a partir de imágenes.
ES2984590T3 (es) * 2019-05-10 2024-10-30 Huijia Health Life Tech Co Ltd Sistema de detección de cese respiratorio y soporte de almacenamiento

Also Published As

Publication number Publication date
WO2022136190A1 (fr) 2022-06-30
FR3117765B1 (fr) 2023-02-24
FR3117765A1 (fr) 2022-06-24
US20240050030A1 (en) 2024-02-15

Similar Documents

Publication Publication Date Title
US12137979B2 (en) Eye system
US11691073B2 (en) Extended reality AR/VR system
US11596316B2 (en) Hearing and monitoring system
Majumder et al. Smartphone sensors for health monitoring and diagnosis
US10176642B2 (en) Systems and methods for computer assisted operation
US10492981B1 (en) Systems and methods for computer assisted operation
US10685488B1 (en) Systems and methods for computer assisted operation
US20220218198A1 (en) Method and system for measuring pupillary light reflex with a mobile phone
CN110135528A (zh) 年龄确定方法、眼部健康程度确定方法和装置
US12014827B2 (en) Using artificial intelligence and biometric data for serial screening exams for medical conditions
US20260053433A1 (en) Multi-modal medical condition identification
Papri et al. IoT and cloud-based non-invasive diabetes detection system from photoplethysmogram
WO2022136190A1 (fr) Procédé standardisé de détermination d'un indice d'apnées+hypopnées ou d'une labélisation fonction de cet indice
EP4240230A1 (fr) Système de détection d'une maladie
Binu Comprehensive framework for ocular disease detection: utilizing Gegenbauer graph neural networks and fundus image data fusion techniques for enhanced classification of diverse ocular conditions
Kiprijanovska et al. Smart glasses for gait analysis of Parkinson’s disease patients
Karnowski et al. Retina image analysis and ocular telehealth: the Oak Ridge National Laboratory-Hamilton Eye Institute case study
WO2022258560A1 (fr) Système d'aide pour fournir une information de diagnostic
WO2023001549A1 (fr) Système d'aide pour fournir une information de diagnostic
EP3142561A1 (fr) Procede de traitement d'images en vue de determiner un degre de mobilite des cordes vocales
CN117218154B (zh) 一种元诊室场景下基于信息熵的患者关注度判别方法
US20250218576A1 (en) Intelligent clinical user interfaces
Zouaghi et al. AI-Powered Early Detection of Ophthalmic Diseases Through Eye Aspect Ratio Analysis in Smartphone Videos: Dry Eye and Refractive Errors Diseases Study-Case
Hsu et al. Deep learning for automated diabetic retinopathy screening fused with heterogeneous data from EHRs can lead to earlier referral decisions. Transl Vis Sci Technol. 2021; 10 (9): 18
CN121586537A (zh) 肾脏疾病诊断方法及装置

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230614

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20240628

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN WITHDRAWN

18W Application withdrawn

Effective date: 20241217