FR3117765A1 - 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 Download PDF

Info

Publication number
FR3117765A1
FR3117765A1 FR2013872A FR2013872A FR3117765A1 FR 3117765 A1 FR3117765 A1 FR 3117765A1 FR 2013872 A FR2013872 A FR 2013872A FR 2013872 A FR2013872 A FR 2013872A FR 3117765 A1 FR3117765 A1 FR 3117765A1
Authority
FR
France
Prior art keywords
patient
data
apnea
morphology
hypopnea index
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.)
Granted
Application number
FR2013872A
Other languages
English (en)
Other versions
FR3117765B1 (fr
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
Universite de Bourgogne
Universite Grenoble Alpes
Centre Hospitalier Universitaire Grenoble Alpes
Original Assignee
Institut National de la Sante et de la Recherche Medicale INSERM
Universite de Bourgogne
Universite Grenoble Alpes
Centre Hospitalier Universitaire Grenoble Alpes
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, Universite de Bourgogne, Universite Grenoble Alpes, Centre Hospitalier Universitaire Grenoble Alpes filed Critical Institut National de la Sante et de la Recherche Medicale INSERM
Priority to FR2013872A priority Critical patent/FR3117765B1/fr
Priority to EP21836200.2A priority patent/EP4266981A1/fr
Priority to US18/259,033 priority patent/US20240050030A1/en
Priority to PCT/EP2021/086651 priority patent/WO2022136190A1/fr
Publication of FR3117765A1 publication Critical patent/FR3117765A1/fr
Application granted granted Critical
Publication of FR3117765B1 publication Critical patent/FR3117765B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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—Detecting, measuring or recording 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

Landscapes

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

Abstract

Procédé standardisé de détermination d’un indice d’apnées+hypopnées ou d’une labélisation fonction de cet indice 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. Figure pour l’abrégé : Fig.4

Description

Procédé standardisé de détermination d’un indice d’apnées+hypopnées ou d’une labélisation fonction de cet indice
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). Il 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
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. 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 :
    • comprenant des données de morphologie au moins maxillo-faciale relatives à un patient de l’ensemble, et
    • 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.
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 :
    • comprenant des données de morphologie au moins maxillo-faciale relatives à un patient de l’ensemble,
    • 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, 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, 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 :
    • comprenant des données de morphologie au moins maxillo-faciale relatives à un patient de l’ensemble, et
    • 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 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 représente le kit et le serveur distant, selon un exemple de réalisation.
La illustre la vérification de l’alignement de la tête du patient par un dispositif d’alignement, selon un exemple de réalisation.
La représente un exemple de données caractéristiques de la morphologie maxillo-faciale et submandibulaire d’un patient, déterminée à partir de sept points homologues.
La est un graphique de la proportion de variance exprimée par les données caractéristiques de la morphologie représentées en , 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 ; la première et la troisième composantes principales en .
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.

Claims (19)

  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, la détermination (11) desdites 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 :
      • comprenant des données de morphologie au moins maxillo-faciale relatives à un patient de l’ensemble, et
      • 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, 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 (6) du patient représentant sa morphologie maxillo-faciale et submandibulaire.
  8. Procédé (1) selon l’une quelconque des revendications précédentes, dans lequel 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 :
      • comprenant des données de morphologie au moins maxillo-faciale relatives à un patient de l’ensemble,
      • 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 morphologie au moins maxillo-faciale du patient par rapport à une morphologie de référence, la détermination (11) desdites 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, la détermination (11) desdites 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, la détermination (11) desdites 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,
    • 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 :
      • comprenant des données de morphologie au moins maxillo-faciale relatives à un patient de l’ensemble, et
      • 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.
FR2013872A 2020-12-22 2020-12-22 Procédé standardisé de détermination d’un indice d’apnées+hypopnées ou d’une labélisation fonction de cet indice Active FR3117765B1 (fr)

Priority Applications (4)

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
EP21836200.2A 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
US18/259,033 US20240050030A1 (en) 2020-12-22 2021-12-17 Standardised method for determining an apnea+hypopnea index or a marker as a function of said index
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

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
FR2013872 2020-12-22

Publications (2)

Publication Number Publication Date
FR3117765A1 true FR3117765A1 (fr) 2022-06-24
FR3117765B1 FR3117765B1 (fr) 2023-02-24

Family

ID=77021365

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2013872A Active 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

Country Status (4)

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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013098435A1 (fr) * 2011-12-30 2013-07-04 Universidad Politécnica de Madrid Système d'analyse de troubles du sommeil à partir d'images
WO2020227856A1 (fr) * 2019-05-10 2020-11-19 汇嘉健康生活科技股份有限公司 Système de détection d'arrêt respiratoire, procédé, dispositif informatique et support de stockage

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013098435A1 (fr) * 2011-12-30 2013-07-04 Universidad Politécnica de Madrid Système d'analyse de troubles du sommeil à partir d'images
WO2020227856A1 (fr) * 2019-05-10 2020-11-19 汇嘉健康生活科技股份有限公司 Système de détection d'arrêt respiratoire, procédé, dispositif informatique et support de stockage

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
BANABILH, S.M. ET AL.: "Craniofacial obesity in patients with obstructive sleep apnea", SLEEP BREATH, vol. 13, 2009, pages 19 - 24, XP019650735
GAO SHUWEI ET AL: "Facial Feature as Predictor for Early-Persistence OSAS After Adenotonsillectomy in Children With Moderate to Severe OSAS", IT PROFESSIONAL, IEEE SERVICE CENTER, LOS ALAMITOS, CA, US, vol. 22, no. 4, 1 July 2020 (2020-07-01), pages 35 - 42, XP011799600, ISSN: 1520-9202, [retrieved on 20200716], DOI: 10.1109/MITP.2020.3001238 *
ISLAM SYED MS ET AL: "Deep Learning of Facial Depth Maps for Obstructive Sleep Apnea Prediction", 2018 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND DATA ENGINEERING (ICMLDE), IEEE, 3 December 2018 (2018-12-03), pages 154 - 157, XP033502211, DOI: 10.1109/ICMLDE.2018.00036 *
LÉVY ET AL.: "Obstructive sleep apnoea syndrome", NATURE REVIEWS DISEASE PRIMERS, vol. 1, 2015, pages 15015
MYERS ET AL.: "Does this patient have obstruction sleep apnea ? The rational clinical examination systematic review", JAMA, vol. 310, 2013, pages 731 - 741
SAEED M BANABILH ET AL: "Craniofacial obesity in patients with obstructive sleep apnea", SLEEP AND BREATHING ; INTERNATIONAL JOURNAL OF THE SCIENCE AND PRACTICE OF SLEEP MEDICINE, SPRINGER, BERLIN, DE, vol. 13, no. 1, 2 September 2008 (2008-09-02), pages 19 - 24, XP019650735, ISSN: 1522-1709 *
YOUNG ET AL.: "The occurrence of sleep-disordered breathing among middle-aged adults", N ENGL J MED, vol. 328, 1993, pages 1230 - 1235

Also Published As

Publication number Publication date
WO2022136190A1 (fr) 2022-06-30
EP4266981A1 (fr) 2023-11-01
US20240050030A1 (en) 2024-02-15
FR3117765B1 (fr) 2023-02-24

Similar Documents

Publication Publication Date Title
US11779213B2 (en) Metaverse system
Thurtell et al. The Berlin questionnaire screens for obstructive sleep apnea in idiopathic intracranial hypertension
Sadeghniiat-Haghighi et al. The STOP-BANG questionnaire: reliability and validity of the Persian version in sleep clinic population
Qaseem et al. Diagnosis of obstructive sleep apnea in adults: a clinical practice guideline from the American College of Physicians
Arzt et al. Sleepiness and sleep in patients with both systolic heart failure and obstructive sleep apnea
Li-wei et al. Methods of blood pressure measurement in the ICU
Friedman et al. The prevalence of open-angle glaucoma among blacks and whites 73 years and older: the Salisbury Eye Evaluation Glaucoma Study
Määttä et al. Healthcare and guidelines: a population-based survey of recorded medical problems and health surveillance for people with Down syndrome
Kaplan et al. Performance evaluation of an automated single-channel sleep–wake detection algorithm
Wu et al. Mean apnea–hypopnea duration (but not apnea–hypopnea index) is associated with worse hypertension in patients with obstructive sleep apnea
Farley et al. Accuracy of primary care clinicians in screening for diabetic retinopathy using single-image retinal photography
Wilkins et al. Frequent association of cochlear nerve canal stenosis with pediatric sensorineural hearing loss
Avincsal et al. Modified Mallampati score improves specificity of STOP-BANG questionnaire for obstructive sleep apnea
Mailis-Gagnon et al. Pain characteristics of adults 65 years of age and older referred to a tertiary care pain clinic
WO2018106481A1 (fr) Procédés, systèmes implémentés par ordinateur et supports informatiques pour diagnostiquer un état de santé
Nagatomo et al. Validity of an under-mattress sensor for objective sleep measurement in critically ill patients: a prospective observational study
Riha et al. ERS technical standards for using type III devices (limited channel studies) in the diagnosis of sleep disordered breathing in adults and children
Li et al. A model for obstructive sleep apnea detection using a multi-layer feed-forward neural network based on electrocardiogram, pulse oxygen saturation, and body mass index
Papini et al. Estimation of the apnea-hypopnea index in a heterogeneous sleep-disordered population using optimised cardiovascular features
Anton et al. Diagnostic accuracy and detection rate of glaucoma screening with optic disk photos, optical coherence tomography images, and telemedicine
Fishman et al. Accuracy of blood pressure measurements reported in an electronic medical record during routine primary care visits
Stollar et al. Frequency, timing, risk factors, and outcomes of desaturation in infants with acute bronchiolitis and initially normal oxygen saturation
Melgarejo et al. Normal-tension glaucomatous optic neuropathy is related to blood pressure variability in the Maracaibo Aging Study
Kjaer et al. Repeated automatic sleep scoring based on ear-EEG is a valuable alternative to manually scored polysomnography
FR3117765A1 (fr) Procédé standardisé de détermination d’un indice d’apnées+hypopnées ou d’une labélisation fonction de cet indice

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20220624

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4