WO2005023106A1 - Utilisation des ondelettes pour analyser la variabilite de la frequence cardiaque, appliquee a la maladie du sommeil - Google Patents

Utilisation des ondelettes pour analyser la variabilite de la frequence cardiaque, appliquee a la maladie du sommeil Download PDF

Info

Publication number
WO2005023106A1
WO2005023106A1 PCT/FR2004/050395 FR2004050395W WO2005023106A1 WO 2005023106 A1 WO2005023106 A1 WO 2005023106A1 FR 2004050395 W FR2004050395 W FR 2004050395W WO 2005023106 A1 WO2005023106 A1 WO 2005023106A1
Authority
WO
WIPO (PCT)
Prior art keywords
level
power
equal
less
considered
Prior art date
Application number
PCT/FR2004/050395
Other languages
English (en)
Inventor
Jean-Claude Barthelemy
Frédéric Roche
Vincent Pichot
David Duverney
Original Assignee
Universite Jean Monnet
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 Universite Jean Monnet filed Critical Universite Jean Monnet
Publication of WO2005023106A1 publication Critical patent/WO2005023106A1/fr

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/347—Detecting the frequency distribution of signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • 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
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods

Definitions

  • the invention relates to a method making it possible to correlate the variability of the heart rate (or HRV for "heart rate variability”) to a physiological or pathological state, in this case a susceptibility to obstructive sleep apnea syndrome (or OSAS for "obstructive sleep apnea syndrome”).
  • HRV heart rate variability
  • OSAS obstructive sleep apnea syndrome
  • Obstructive sleep apnea syndrome corresponds to repeated interruptions of breathing during the night. Due to the collapse of the upper airways, apnea leads to progressive asphyxiation of the patient until he wakes up. This poor quality sleep is notably responsible for snoring, daytime sleepiness, fatigue, headache, depression, but also cardiopulmonary complications. Obstructive sleep apnea is characterized by episodes of respiratory arrest lasting from 10 seconds to 1 minute and can occur up to 300 times a night. More than 4% of the population is affected and almost 25% of people over 60 suffer from it. This syndrome is more common in men (up to 90% of patients) and concerns more particularly obese subjects.
  • Spontaneous positive pressure ventilation also pressurizes exhalation above atmospheric pressure to keep the upper airways open. This pressure, delivered by a mask placed on the nose and connected to a compressor, pushes the air into the nose and throat, thus keeping the airways clear during sleep.
  • OSAS The diagnosis of OSAS remains heavy and delicate. Generally speaking, he uses polysomnography, a detailed study of a subject's night in a sleep laboratory, including a recording of the electrical activity of the brain, the ventilatory flow, the movements of the rib cage and abdomen, blood oxygen level and heart rate. If this diagnostic technique is considered very reliable, it constitutes a long and expensive procedure, sometimes unsuitable for patients with little disease. In addition, the fact that this recording takes place in a laboratory can interfere with or even modify the patient's sleep. As a result, alternative strategies for diagnosing OSAS have been developed, for example, sleep questionnaires, ambulatory recordings, measurement of nocturnal oximetry (or SaO2: blood oxygen saturation), but these methods, although with high specificity, have poor sensitivity.
  • Heart rate variability is in fact a reflection of the activity of the autonomic nervous system, corresponding to cyclical changes in vagal and sympathetic activities. Diagnostic methods for OSAS, based on RVH, have therefore been proposed.
  • Cardiac activity recorded by an electrocardiogram (ECG), is characterized by the repetition of QRS complexes, separated by a distance called "RR interval”. The variability of the heart rate is directly correlated to the variations of this RR interval.
  • document FR-A-2 807 851 recommended the use of the wavelet transform for detecting atrial fibrillations. Furthermore, Roche et al. in 2003 (5) established a correlation between the data obtained by wavelet analysis of a Holter recording and the appearance of night heart pauses.
  • the technical problem faced by the Applicant was therefore to optimize the conditions for using a signal from an ECG in order to be able to correlate the RVH to a physiological or pathological state, in this case a susceptibility to OSAS.
  • the invention relates to a method of analyzing a signal from an electrocardiogram (ECG) consisting in: - recording an ECG continuously during night sleep; - extract RR intervals; - analyze this signal by wavelet transform:. consider successions of 256 or 512 or 1024 intervals, preferably 512 intervals,. assign to each succession a wavelet coefficient at the frequency level Wv32 or Wvl6 or Wv8 or Wv64, calculate the power of variability at this level, corresponding to the sum of the squares of the coefficients.
  • ECG electrocardiogram
  • the electrocardiogram or ECG corresponds to the recording, most frequently on a paper support, of the electrical activity of the heart on a frontal plane (by the derivations of the limbs) and on a horizontal plane (by the precordial derivations).
  • Continuous ECG recording is a non-invasive technique that allows you to record this activity for long periods, in this case for the duration of the night's sleep.
  • the stored signal can then be used.
  • the duration of the RR intervals throughout this period can be calculated and stored.
  • RR intervals measured in seconds, correspond to the time that elapses between 2 successive QRS complexes. Their variability reflects the variability of the heart rate (HRV) and therefore the activity of the autonomic nervous system. In practice, only the intervals
  • the wavelet transform is a time-frequency representation tool for a signal. This mathematical method is particularly well suited to the analysis of the signal from an ECG since, unlike the Fourier transform, it applies to non-stationary signals.
  • the wavelet transform calls for consideration of different frequency levels.
  • the mother function used is the "Daubechies 4 Wavelet Transform".
  • Wv2, Wv4 and Wv8 correspond approximately to the high frequencies (HF) of Fourier, Wvl6 and Wv32 to the low frequencies (LF of Fourier), Wv64, Wvl28 and Wv256 to the very low frequencies (Fourier VLF).
  • successions of 256 (Wv2, 4, 8, 16, 32, 64 and 128) or 1024 intervals (Wv2, 4, 8, 16, 32, 64, 128, 256 and 512) can be considered.
  • Each frequency level is associated with a wavelet coefficient, which represents the evolution of the correlation between the signal f and the wavelet chosen at the different analysis levels (or different frequency ranges). throughout signal f.
  • the power of variability corresponds to the sum of the squares of the coefficients obtained at a given frequency level.
  • the inventors have demonstrated that the frequency levels which are best suited for visualizing variations in the RVH in the case of the OSAS were Wv32, Wvl6, Wv8 and Wv64, preferably Wv32.
  • a threshold value can be defined on a sample of patients without OSAS.
  • the increase in the variability of the RVH and the exceeding of the threshold value determined at the selected frequency levels therefore constitutes a marker of the OSAS.
  • An intermediate result consists in comparing the data obtained by the method of the invention between a patient presenting the symptoms of OSAS and a patient considered to be healthy.
  • the invention relates to a method of investigating a susceptibility to obstructive sleep apnea syndrome (OSAS) consisting of: - implementing the method of analysis of the signal from an ECG, defined above, on a patient without the symptoms of OSAS, - implementing the same method on a patient likely to present an OSAS, an increase in the power of variability at Wv32, Wvl6 level , Wv8 or Wv64 indicating susceptibility to OSAS.
  • OSAS obstructive sleep apnea syndrome
  • the beneficial effect on the OSAS of a medical treatment for example spontaneous ventilation with positive pressure
  • a medical intervention for example the mandibular advancement plasty
  • this reliable monitoring of the RVH may allow the curative potential of active compounds to be evaluated.
  • the invention also relates to a method for evaluating the effectiveness of an intervention, a medical treatment, or a compound active on the OSAS, consisting in: - implementing the method of analysis of the signal from an ECG, defined above, before the intervention, medical treatment or application of the active compound, - use the same method after the intervention, medical treatment or application of the active compound , a decrease in the power of variability at the Wv32, vl6, Wv8 or v64 level indicating an efficiency vis-à-vis the OSAS.
  • the invention relates to a method of developing a decision tree for OSAS which consists in: - choosing a sample of patients, - determining their OSAS + / OSAS status - by conventional diagnostic methods, - record a continuous ECG during nighttime sleep, - extract RR intervals, - analyze this signal by wavelet transform:. consider successions of 256 or 512 or 1024 intervals, preferably 512 intervals,. assign to each succession a wavelet coefficient for each frequency level v2, Wv4, v8, Wvl6, Wv32, Wv64, Wvl28, possibly Wv256, possibly v512,.
  • the CART (Classification And Regression Tree) method (6) makes it possible to develop a decision tree by integrating the variables of the analysis, in this case the different Wv levels. These variables are integrated in order of importance according to their discriminatory power with regard to the OSAS + (sick) / OSAS- (not sick) status.
  • CART begins with a root node then with a process of questions with yes / no answers generates descendant nodes.
  • FIG. 2 An optimized tree is presented in FIG. 2.
  • the threshold values indicated are those which make it possible to have a minimum number of bad classifications on the test sample, namely 144 patients.
  • other reliable trees are likely to be obtained by the method of the invention, depending on the age, sex of the patients or other elements.
  • the classic preferential diagnostic method is the use of polysomnography.
  • This strategy also makes it possible to test a patient's susceptibility to OSAS or the effectiveness of a medical intervention, a medical treatment or an active compound.
  • a device suitable for implementing a method according to the invention also forms part of the present application.
  • the main module has the function of acquiring RR data continuously over a long period, in this case during the duration of night sleep.
  • This is preferably carried out by means of a "Holter type" apparatus, allowing continuous recording of cardiac activity, and advantageously on an outpatient basis.
  • this is in the form of a compact housing (typically of a weight excluding battery and cable of 42 grams, a 1 cm thick, 6 cm wide and 7 cm high), which is held around the patient's neck using a spiral cord, thus reducing the electrical interference potentially linked to movement of the device.
  • the recorder uses 2 electrodes (one glued to the case and the other applied to the patient's torso, on the left, at the point of the heart), for recording data on 1 lead .
  • the device must have sufficient autonomy for the acquisition of RR data during the duration of night sleep, in practice from 8 to 12 hours, which corresponds to the acquisition of about 50,000 RR intervals.
  • a start button a test button, as well as a button allowing to send the stored data to different sources (Internet ).
  • RR data can be collected at a heart rate monitor, a small electronic system made up of a chest transmitter belt that captures the electrical activity of the heart and sends it to a receiver watch that is capable of convert, display and store values.
  • a surveillance monitor can also perform this function.
  • Wvl6 and / or Wv8 and / or Wv64, and / or preferably Wv32 is calculated and then possibly compared to a pre-recorded determined value (predetermined threshold value).
  • predetermined threshold value a pre-recorded determined value
  • the power of variability is calculated for each frequency level and these values are submitted to software based on the CART methodology. Communication software between the patient and the doctor treating the data can also be integrated into the device. Communications can be made by text, email or other. All of these concepts are also defined in the exemplary embodiments, presented below by way of illustration and not limitation.
  • Figure 1 Wavelet decomposition of the heart rate variability (HRV) signal overnight in OSAS + patients (left column) and in patients with no sleep-related breathing disorder (right column) during 10 minute recording.
  • the diagrams at the top represent the monitoring over time (min) of the duration of the RR intervals (s).
  • the diagrams at the bottom represent the monitoring over time (min) of the coefficients at the different frequency levels (Wv).
  • Study group The study population consisted of 147 patients (101 men and 46 women), with an average age of 53.8 ⁇ 11.2 years, registered in the university hospital for a clinical suspicion of syndrome obstructive sleep apnea (OSAS).
  • the exclusion criteria were permanent, in particular paroxysmal atrial fibrillation, diabetes mellitus, Shy-Drager syndrome, and permanent ventricular or atrial stimulation; none of these patients were receiving antiarrhythmic or digitalis drugs.
  • Heart rate variability analysis (HRV) and polygraph recording were performed using two independent recorders, each not being influenced in any way by the results of the other. 2.
  • Sleep study and recording of polysomnography OSAS was diagnosed on the basis of clinical criteria and on polysomnography performed following the recommendations of the American Sleep Disorders Association (7).
  • the presence and stages of sleep were monitored using two pairs of electroencephalographic leads (C4-A1, O2-A1), two pairs of electrooculographic leads and electro-myographic leads of the chin.
  • Air flow was measured by an oral and nasal thermocoupler. Breathing efforts were monitored through the use of inductance plethysmography, with precision sensors placed around the chest and abdomen. Arterial oxygen saturation was continuously recorded by pulsed oximetry (Criticare Systems Inc., USA) throughout the night. The polysomnogram was recorded manually according to standard criteria (8,9).
  • Respiratory events were recorded according to the criteria proposed by the American Academy of Sleep Medicine "(AASM). Hypopneas were defined as a reduction greater than or equal to 50% of the respiratory flow compared to a basal value, lasting at least 10 seconds and associated with 3% desaturation or electroencephalographic arousal. Apnea has been defined as a cessation of air flow lasting more than 10 seconds. Obstructive apnea has been defined as the absence of a passage of air for at least 10 seconds, in the presence of persistent breathing efforts.
  • the apnea index (apnea + hypopnea index: "AHI") was established as the sum of the number of apneas and hypopneas per hour of For the nocturnal hypoxemia index, the total time with SaO 2 below 90% was considered, and an AHI index greater than or equal to 10 was chosen as the threshold to conclude that OSAS was present. 3.
  • HRV heart rate variability
  • HRV heart rate variability
  • the decomposition of a signal by a wavelet transform calls for an adapted, regular and localized mother function.
  • a family of functions is constructed by expansion and translocation, which constitutes the Wavelet Space.
  • the analysis consists of dragging a window of suitable size (corresponding to different levels) containing the wavelet function, all along the signal.
  • the calculations give a series of coefficients called wavelet coefficients, which represents the evolution of the correlation between the signal f and the wavelet chosen at the different analysis levels (or different frequency ranges) throughout the signal f.
  • wavelet transform "Daubechies 4 avelet Transform" (4).
  • the wavelet coefficients were calculated based on 512 RR intervals, giving eight separate levels of analysis called Wv2, Wv4, Wv8, Wvl6, Wv32, Wv64, vl28 and V256.
  • Wv2, Wv4, Wv8, Wvl6, Wv32, Wv64, vl28 and V256 we calculated the power of variability, level by level using the sum of the squares of the coefficients. So, we got, for each record, the spectral power for each level.
  • the sum of the wavelet power coefficients at levels 2, 4 and 8 correspond approximately to the high frequencies in Fourier (a marker of parasympathetic activity).
  • the wavelet power coefficients at levels 16 and 32 correspond approximately to the low Fourier frequencies, just as the wavelet power coefficients at levels 64 and 128 (VLFw ave iet) correspond to the very low frequencies of Fourier.
  • a value of W equal to 0.5 means that the distributions of the variables are similar in the two populations; on the contrary, a value of W equal to 1 means that the distributions of the variables in the two populations do not overlap.
  • Multiple regression analysis was used to confirm the previous analysis performed by the OCR curve.
  • the dependent variable was represented by the apnea-hypopnea index and the independent variables included were made up of Wv levels, presenting a significant W value with the ROC curves.
  • a classification tree was then constructed using the discriminating variables revealed by the ROC curves.
  • the first variable used was that determined as allowing the best separation between sick and non-sick subjects.
  • the other variables were then introduced in descending order of their discriminatory power.
  • the threshold value having the effect of a separator to make a decision was chosen so as to obtain a minimum number of false classifications, that is to say allowing to ⁇ nimize the sum of false results positive and false negative.
  • the sensitivity, the specificity and the percentage of agreement were calculated on a test sample of this last analysis.
  • the principle of the CART method is to look at all the possible bifurcations for all the variables included in the analysis, namely the Wv levels. The results are in the form of an inverted tree.
  • CART begins with a root node and, by a process of questions with yes / no answers, generates descendant nodes. Some nodes are terminal, which means that the final determination for classification is reached, while other nodes continue to divide until terminal nodes are reached.
  • the first aspect of the CART method is to select the questions at each bifurcation node.
  • the second activity is to arrange in order each rule regulating a branching on the basis of a quality criterion of the branching. When the best fork is found, CART repeats the search process for each node generated, continuing recursively until further branching is no longer possible or is stopped. Thus, CART relies on the development of trees until it is no longer possible to make them grow further.
  • a maximum tree and a set of sub-trees are then generated. It was chosen to go to the maximum tree for the present analysis. Cross-validation was performed by dividing a study sample into 10 approximately equal parts containing similar distributions for the dependent variable. The results of these 10 mini-test samples were finally combined to form an error rate for trees of all possible sizes; these error rates are then applied to the tree on the basis of the entire study sample.
  • the performance analyzer for this complex process is a set of reliable estimates of the predictive independent accuracy of the tree.
  • Table 1 summarizes the clinical data for the patient group.
  • OSAS was diagnosed in 66 patients (44.9%) using polysomnography recording. No significant differences in terms of clinical characteristics, age or body mass index (BMI) were detected between patients with and without OSAS.
  • BMI body mass index
  • BMI Body Mass Index
  • AHI Apnea-Hypopnea Index
  • OSAS + Patient with obstructive sleep apnea syndrome
  • OSAS- Patient with no obstructive sleep apnea syndrome.
  • Figure 2 contains the essentials of the analysis by CART classification.
  • the tree classification diagram presents 20 terminal regions and 19 information nodes.
  • the Wv32 level represents the most important variable (1 st node) followed by Wvl6, Wv8 and Wv64.
  • Table 4 shows that the number of bad classifications is very low on the study sample, with a total number of 8 false positives and 5 false negatives ( Figure 2).
  • the sensitivity reaches 92.4%, the specificity 90.1% and the percentage of agreement 91.2% in this population,

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

Méthode d'analyse d'un signal issu d'un électrocardiogramme (ECG) consistant à enregistrer un ECG en continu pendant le sommeil nocturne ; extraire les intervalles RR ; analyser ce signal par transformée en ondelettes considérer des successions de 256 ou 512 ou 1024 intervalles, préférentiellement 512 intervalles, affecter à chaque succession un coefficient de corrélation entre le signal observé et l'ondelette au niveau de fréquence Wv32 ou Wv16 ou Wv8 ou Wv64, calculer la puissance de variabilité à ce niveau correspondant à la somme des carrés des coefficients. Utilisation pour construire un arbre décisionnel à l'aide de la méthodologie de CART et dispositif adapté à la mise en oeuvre de cette méthode.

Description

UTILISATION DES ONDELETTES POUR ANALYSER LA VARIABILITE DE LA FREQUENCE CARDIAQUE, APPLIQUEE A LA MALADIE DU SOMMEIL.
L'invention concerne une méthode permettant de corréler la variabilité de la fréquence cardiaque (ou HRV pour "heart rate variability") à un état physiologique ou pathologique, en F occurrence une susceptibilité au syndrome de l'apnée obstructive du sommeil (ou OSAS pour "obstructive sleep apnea syndrome"). Pour cela, le signal issu de électrocardiograrnme (ECG) est soumis à une analyse par transformée en ondelettes. L'interprétation se fait par le calcul de la puissance de variabilité à un niveau de fréquence déterminé ou par élaboration d'un arbre décisionnel à l'aide de la méthodologie de CART.
Le syndrome de l'apnée obstructive du sommeil (notée OSAS pour "obstructive sleep apnea syndrome") correspond à des interruptions répétées de la respiration durant la nuit. Due à l'affaissement des voies aériennes supérieures, l'apnée conduit à une asphyxie progressive du patient jusqu'à ce qu'il se réveille. Ce sommeil de mauvaise qualité est notamment responsable de ronflements, de somnolences diurnes, de fatigue, de maux de tête, de dépression, mais également de complications cardio-pulmonaires. L'apnée obstructive du sommeil se caractérise par des épisodes d'arrêts respiratoires durant de 10 secondes à 1 minute et pouvant se produire jusqu'à 300 fois par nuit. Plus de 4 % de la population est concernée et près de 25 % des personnes de plus de 60 ans en souffrent. Ce syndrome est plus fréquent chez les hommes (jusqu'à 90 % des patients) et concerne plus particulièrement les sujets obèses.
Les conséquences de ce syndrome sont importantes puisqu'en dehors des répercussions sociales et des risques d'accidents de voiture ou de travail, le manque d'oxygène chronique et répété entraîne d'autres problèmes cliniques : hypertension artérielle, insuffisance respiratoire, hypertension artérielle pulmonaire et insuffisance cardiaque droite, avec arythmie, angines de poitrine et infarctus du myocarde et cérébral. Dans cette population, le taux de mortalité est donc plus important. Pour lutter contre l'OSAS, certaines règles hygiéno-diététiques peuvent être bénéfiques : perte de poids, suppression de l'alcool et du tabac. Sinon, un traitement médical est instauré : appareil d'aide respiratoire, articles d'orthodontie ou chirurgie. Citons, en particulier, la trachéotomie, l'ostéotomie mandibulaire d'avancement ou l'uvulo-palato- pharyngoplastie (UPP). La ventilation spontanée en pression positive permet également de pressuriser l'expiration au-dessus de la pression atmosphérique, afin de conserver les voies aériennes supérieures ouvertes. Cette pression, délivrée par un masque placé sur le nez et relié à un compresseur, pousse l'air dans le nez et la gorge, gardant ainsi les voies dégagées pendant le sommeil.
Le diagnostic de l'OSAS reste lourd et délicat. D'une manière générale, il recourt à la polysomnographie, une étude détaillée d'une nuit du sujet dans un laboratoire de sommeil, comprenant un enregistrement de l'activité électrique du cerveau, du débit ventilatoire, des mouvements de la cage thoracique et de l'abdomen, de la concentration en oxygène dans le sang et du rythme cardiaque. Si cette technique de diagnostic est considérée comme très fiable, elle constitue une procédure longue et coûteuse, parfois inadaptée à des patients peu atteints. De plus, le fait que cet enregistrement se déroule dans un laboratoire peut interférer, voire modifier le sommeil du patient. De ce fait, des stratégies alternatives pour diagnostiquer l'OSAS ont été développées, par exemple des questionnaires sur le sommeil, des enregistrements ambulatoires, la mesure de lOxymétrie nocturne (ou SaO2 : saturation en oxygène du sang), mais ces méthodes, bien que présentant une haute spécificité, présentent une sensibilité médiocre. Au cours des apnées du sommeil, il est habituellement observé un ralentissement de la fréquence cardiaque (bradycardie) pendant l'apnée et son accélération (tachycardie) durant la reprise respiratoire. La variabilité de la fréquence cardiaque (notée HRV pour "heart rate variability") est en fait le reflet de l'activité du système nerveux autonome, correspondant à des changements cycliques dans les activités vagale et sympathique. Des méthodes de diagnostic de l'OSAS, basées sur l'HRV, ont donc été proposées. L'activité cardiaque, enregistrée par un électtocardiogramme (ECG), se caractérise par la répétition de complexes QRS, séparés d'une distance appelée "intervalle RR". La variabilité de la fréquence cardiaque est directement corrélée aux variations de cet intervalle RR. Il existe différentes méthodes mathématiques pour analyser la variabilité de la fréquence cardiaque, en particulier l'analyse dans le domaine temporel basée sur l' écart- type (noté SD pour "standard déviation") entre les intervalles, l'analyse fréquentielle à l'aide de la transformée de Fourier ou l'analyse temps-fréquence basée sur la transformation en ondelettes. Ainsi, Roche et al. ont montré en 1999 (1) que l'analyse dans le domaine temporel de l'HRV était un outil diagnostic pour l'OSAS. Pour cela, l'HRV est suivi grâce à un ECG de type Holter qui permet d'enregistrer les données de la nuit (N) et du jour (D) et d'accéder à la SD entre les intervalles RR séparant les complexes QRS sur 24 heures. Cependant, cette méthode nécessite la sélection de périodes dites "de nuit" et "de jour" de durée suffisante, choisies d'une manière quelque peu arbitraire.
Les mêmes auteurs ont alors proposé en 2002 (2) d'utiliser une analyse fréquentielle de l'HRV. Ainsi, cette étude révèle que les variables obtenues par un enregistrement ECG Holter pendant 24 heures étaient particulièrement exploitables dans le domaine des très basses fréquences (bande VLF: 0.01-0.05 Hz). Les auteurs montrent que les épisodes d'apnée sont corrélés à une augmentation significative de la composante VLF, également identifiable visuellement, et significativement améliorée par une traitement par ventilation en pression positive. Parallèlement, l'équipe de Hilton et al. (3), comparait l'efficacité d'une analyse fréquentielle (transformée de Fourier) et d'une analyse temps-fréquence (transformée en ondelettes) de HRV, pour son utilisation en tant que marqueur pour le diagnostic de l'OSAS. Dans ce document, il est rapporté que ces deux méthodes d'analyse, exploitées dans le domaine 0.019 à 0.036 Hz (noté ABU), sont globalement plus fiables que la mesure d'oxymétrie, la méthode en ondelettes étant l'outil le plus approprié. Il est à noter que cette étude et ses conclusions sont basées sur des interprétations d'une période d'enregistrement limitée à 15 minutes. Plus généralement, le document de Pichot et al. de 1999 (4) démontrait que la transformée en ondelettes donnait une analyse quantitative de l'HRV plus appropriée que la transformée de Fourier, en raison du caractère non stationnaire du signal étudié. Ainsi, les auteurs illustraient que cet outil pouvait permettre de suivre un changement soudain et temporel de l'HRV, par exemple causé par rad ninistration d'atropine ou de propanolol.
Dans ce cadre, le document FR-A-2 807 851 a préconisé l'utilisation de la transformée en ondelettes pour détecter les fibrillations auriculaires. Par ailleurs, Roche et al. en 2003 (5) ont établi une corrélation entre les données obtenues par analyse en ondelettes d'un enregistrement Holter et l'apparition de pauses cardiaques nocturnes.
Le problème technique auquel était confronté la Demanderesse était donc d'optimiser les conditions d'exploitation d'un signal issu d'un ECG afin de pouvoir corréler l'HRV à un état physiologique ou pathologique, en l'occurrence une susceptibilité à l'OSAS.
Ainsi, dans le cadre de l'invention, il a été démontré que l'obtention de données fiables nécessitait l'enregistrement d'un ECG sur toute la nuit, l'extraction des intervalles
RR sur cette même période et leur analyse temps-fréquence grâce à la transformation en ondelettes, en se plaçant préférentiellement au niveau de fréquence Wv32, voire Wvl6, Wv64, ou Wv8.
Il s'avère que le protocole de l'invention permet d'obtenir une sensibilité, une spécificité et un pourcentage de concordance, encore jamais atteints. Dès lors, l'invention concerne une méthode d'analyse d'un signal issu d'un électrocardiogramme (ECG) consistant à : - enregistrer un ECG en continu pendant le sommeil nocturne ; - extraire les intervalles RR ; - analyser ce signal par transformée en ondelettes : . considérer des successions de 256 ou 512 ou 1024 intervalles, préférentiellement 512 intervalles, . affecter à chaque succession un coefficient d'ondelettes au niveau de fréquence Wv32 ou Wvl6 ou Wv8 ou Wv64, calculer la puissance de variabilité à ce niveau, correspondant à la somme des carrés des coefficients.
L'électiOcardiogramme ou ECG correspond à l'enregistrement, le plus fréquemment sur un support papier, de l'activité électrique du cœur sur un plan frontal (par les dérivations des membres) et sur un plan horizontal (par les dérivations précordiales).
L'enregistrement ECG continu est une technique non invasive qui permet d'enregistrer cette activité pendant de longues périodes, dans le cas présent pendant toute la durée du sommeil nocturne. Le signal stocké peut alors être exploité. En particulier, la durée des intervalles RR pendant toute cette période peut être calculée et mémorisée.
Les intervalles RR, mesurés en secondes, correspondent au temps qui s'écoule entre 2 complexes QRS successifs. Leur variabilité reflète la variabilité de la fréquence cardiaque (HRV) et donc l'activité du système nerveux autonome. En pratique, seuls les intervalles
RR normaux sont pris en considération, c'est à dire que les battements extracystoliques sont exclus.
La transformée en ondelettes est un outil de représentation temps-fréquence d'un signal. Cette méthode mathématique est particulièrement bien adaptée à l'analyse du signal issu d'un ECG puisque, contrairement à la transformée de Fourier, elle s'applique à des signaux non-stationnaires.
La transformée en ondelettes fait appel à la prise en considération de différents niveaux de fréquence. Dans le cadre de l'invention, la fonction-mère utilisée est la "Daubechies 4 Wavelet Transform". La considération de la succession de 512 intervalles définit 8 niveaux de fréquence : Wv2, Wv4 et Wv8 correspondent approximativement aux hautes fréquences (HF) de Fourier, Wvl6 et Wv32 aux basses fréquences (LF de Fourier), Wv64, Wvl28 et Wv256 aux très basses fréquences (VLF de Fourier). Alternativement, des successions de 256 (Wv2, 4, 8, 16, 32, 64 et 128) ou de 1024 intervalles (Wv2, 4, 8, 16, 32, 64, 128, 256 et 512) peuvent être considérées. A chaque niveau de fréquence est associé un coefficient d'ondelettes, qui représente l'évolution de la corrélation entre le signal f et l'ondelette choisie aux différents niveaux d'analyse (ou différentes gammes de fréquences) tout au long du signal f. La puissance de variabilité correspond à la somme des carrés des coefficients obtenus à un niveau de fréquence donné.
Les inventeurs ont démontré que les niveaux de fréquence les mieux adaptés pour visualiser des variations de l'HRV dans le cas de l'OSAS étaient Wv32, Wvl6, Wv8 et Wv64, préférentiellement Wv32.
Ainsi, une valeur seuil peut être définie sur un échantillon de patients non atteints d'OSAS. L'augmentation de la variabilité de l'HRV et le dépassement de la valeur seuil déterminée aux niveaux de fréquence sélectionnés constitue donc un marqueur de l' OSAS.
Un résultat intermédiaire consiste à comparer les données obtenues par la méthode de l'invention entre un patient présentant les symptômes de l'OSAS et un patient considéré comme sain.
Ainsi, dans un mode particulier de réalisation, l'invention concerne une méthode d'investigation d'une susceptibilité au syndrome de l'apnée obstructive du sommeil (OSAS) consistant à: - mettre en oeuvre la méthode d'analyse du signal issu d'un ECG, définie ci-dessus, sur un patient ne présentant pas les symptômes de l'OSAS, - mettre en oeuvre la même méthode sur un patient susceptible de présenter un OSAS, une augmentation de la puissance de variabilité au niveau Wv32, Wvl6, Wv8 ou Wv64 indiquant une susceptibilité à l'OSAS.
Au contraire, l'effet bénéfique sur l'OSAS d'un traitement médical (par exemple la ventilation spontanée en pression positive) ou d'une intervention médicale (par exemple la plastie mandibulaire d'avancement) pourra être détectée par une diminution de la puissance de variabilité aux niveaux de fréquence sélectionnés. Si, à ce jour; aucun traitement médicamenteux spécifique n'est appliqué, ce suivi fiable de l'HRV pourra permettre d'évaluer le potentiel curatif de composés actifs à tester. Ainsi, l'invention concerne également une méthode d'évaluation de l'efficacité d'une intervention, d'un traitement médical, ou d'un composé actif sur l'OSAS consistant à : - mettre en oeuvre la méthode d'analyse du signal issu d'un ECG, définie ci-dessus, avant l'intervention, le traitement médical ou l'application du composé actif, - mettre en oeuvre la même méthode après l'intervention, le traitement médical ou l'application du composé actif, une diminution de la puissance de variabilité au niveau Wv32, vl6, Wv8 ou v64 indiquant une efficacité vis-à-vis de l'OSAS.
Selon un second aspect, l'invention concerne une méthode d'élaboration d'un arbre décisionnel pour l' OSAS qui consiste à: - choisir un échantillon de patients , - déterminer leur statut OSAS+/OSAS- par les méthodes classiques de diagnostic, - enregistrer un ECG en continu pendant le sommeil nocturne, - extraire les intervalles RR, - analyser ce signal par transformée en ondelettes : . considérer des successions de 256 ou 512 ou 1024 intervalles, préférentiellement 512 intervalles, . affecter à chaque succession un coefficient d'ondelettes pour chaque niveau de fréquence v2, Wv4, v8, Wvl6, Wv32, Wv64, Wvl28, éventuellement Wv256, éventuellement v512, . calculer la puissance de variabilité à chaque niveau en faisant la somme des carrés des coefficients, - construire un arbre décisionnel selon la méthodologie CART intégrant l'ensemble de ces données. La méthode CART (Classification And Régression Tree) (6) permet d'élaborer un arbre de décision en intégrant les variables de l'analyse, en l'occurrence les différents niveaux Wv. Ces variables sont intégrées par ordre d'importance en fonction de leur pouvoir discriminatoire vis à vis du statut OSAS+ (malade) /OSAS- (non malade). CART commence par un nœud racine puis par un procédé de questions avec des réponses oui/non génère des nœuds descendants.
Dans le cadre de l'invention, il a été démontré que le nœud racine correspondait à Wv32. Les autres variables d'importance sont ensuite Wvl6, Wv8 et Wv64.
Un arbre optimisé est présenté à la figure 2. Les valeurs seuils indiquées sont celles qui permettent d'avoir un nombre de mauvaises classifications minimum sur l'échantillon testé, à savoir 144 patients. Cependant, d'autres arbres fiables sont susceptibles d'être obtenus par la méthode de l'invention, selon l'âge, le sexe des patients ou d'autres éléments.
Pour déterminer le statut OSAS+/OSAS- des patients, la méthode classique de diagnostic préférentielle est l'exploitation de la polysomnographie.
Cette stratégie permet également de tester la susceptibilité d'un patient à l'OSAS ou l'efficacité d'une intervention médicale, d'un traitement médical ou d'un composé actif.
Un dispositif adapté à la mise en ouvre d'une méthode selon l'invention fait également partie de la présente demande.
Le module principal a pour fonction l'acquisition des données RR en continu sur une longue période, en l'occurrence pendant la durée du sommeil nocturne. Ceci est préférentiellement réalisé au moyen d'un appareillage "de type Holter", permettant un enregistrement de l'activité cardiaque en continu, et avantageusement en ambulatoire. De manière adaptée, celui-ci se présente sous la forme d'un boîtier de faible encombrement (typiquement d'un poids hors batterie et câble de 42 grammes, d'une épaisseur de 1 cm, d'une largeur de 6 cm et d'une hauteur de 7 cm), qui est maintenu autour du cou du patient grâce à un cordon spirale, atténuant ainsi le parasitage électrique potentiellement lié au déplacement de l'appareil. Dans sa forme la plus simple, l'enregistreur utilise 2 électrodes (une collée au boîtier et l'autre appliquée sur le torse du patient, à gauche, au niveau de la pointe du cœur), pour l'enregistrement des données sur 1 dérivation. Cependant, des dérivations multiples sont envisageables. L'appareil doit présenter une autonomie suffisante pour l'acquisition des données RR pendant la durée du sommeil nocturne, en pratique de 8 à 12 heures, ce qui correspond à l'acquisition de l'ordre de 50 000 intervalles RR. Typiquement, un tel boîtier est doté d'un bouton de démarrage, d'un bouton test, ainsi que d'un bouton permettant d'envoyer les données stockées vers différentes sources (Internet...).
D'une manière alternative, les données RR peuvent être collectées au niveau d'un cardiofréquencemètre, un petit système électronique composé d'une ceinture émettrice pectorale qui capture l'activité électrique du cœur et l'envoie vers une montre réceptrice qui est capable de convertir, d'afficher et de mémoriser les valeurs. Un moniteur de surveillance peut également assurer cette fonction.
Après acquisition de ces données, celles-ci sont transmises à un ordinateur pour être traitées. Ces données sont préférentiellement transmises sous forme codée. Dans ce cas, l'ordinateur doit donc comporter un logiciel de décodage de ces données. Les autres logiciels requis sont destinés au traitement et à l'interprétation des données acquises
(intervalles RR normaux), essentiellement l'analyse temps-fréquence, au moyen de la transformée en ondelettes, de la variabilité de la fréquence cardiaque matérialisée par les intervalles RR. Plus particulièrement selon l'invention, la transformée en ondelettes
"Daubechies 4" est appliquée et la puissance spectrale de variabilité au niveau de fréquence
Wvl6 et/ou Wv8 et/ou Wv64, et/ou préférentiellement Wv32, est calculée puis éventuellement comparée à une valeur déterminée préenregistrée (valeur seuil prédéterminée). Pour l'élaboration d'un arbre décisionnel, la puissance de variabilité est calculée pour chaque niveau de fréquence et ces valeurs sont soumises à un logiciel basé sur la méthodologie CART. Un logiciel de communication entre le patient et le médecin traitant les données peut également être intégré au dispositif. Les communications peuvent être réalisées au moyen de SMS, de courriels ou autres. L'ensemble de ces concepts est également défini dans les exemples de réalisation, présentés ci-dessous à titre illustratif et non limitatif. Figure 1 : Décomposition en ondelettes du signal de la variabilité de la fréquence cardiaque (HRV) durant une nuit chez des patients OSAS+ (colonne de gauche) et chez des patients ne présentant aucun désordre de respiration relative au sommeil (colonne de droite) pendant un enregistrement de 10 minutes. Les diagrammes du haut représentent le suivi dans le temps (min) de la durée des intervalles RR (s). Les diagrammes du bas représentent le suivi dans le temps (min) des coefficients aux différents niveaux de fréquence (Wv).
Figure 2 : Arbre opérationnel illustrant la combinaison des valeurs seuil des niveaux en ondelettes caractérisant les patients étudiés. La sensibilité atteint 92.4 % et la spécificité 90.1 %. Les 19 nœuds de cet arbre sont numérotés de 1 à 19. TP= vrai positif ; FP= faux positif ; TN= vrai négatif ; FN= faux négatif.
1/ SUJETS ET METHODES
1. Groupe d'étude La population étudiée était constituée de 147 patients (101 hommes et 46 femmes), avec un âge moyen de 53,8 ± 11,2 ans, enregistrés au sein de l'hôpital universitaire pour une suspicion clinique de syndrome de l'apnée obstructive du sommeil (OSAS). Les critères d'exclusion ont été permanents, en particulier la fibrillation atriale paroxystique, le diabète sucré, le syndrome de Shy-Drager, et la stimulation permanente ventriculaire ou atriale ; aucun de ces patients ne recevait de drogue anti-arythmique ou digitalique. L'analyse de la variabilité de la fréquence cardiaque (HRV) et l'emegistrement polygraphique ont été effectués à l'aide de deux enregistreurs indépendants, chacun n'étant aucunement influencé par les résultats de l'autre. 2. Etude du sommeil et enregistrement de la polysomnographie L'OSAS a été diagnostiqué sur la base de critères cliniques et sur la polysomnographie effectuée en suivant les recommandations de l'association "American Sleep Disorders Association" (7). La présence et les étapes du sommeil ont été suivies à l'aide de deux paires de dérivations électro-encéphalographiques (C4-A1, O2-A1), deux paires de dérivations électro-oculographiques et des dérivations électro-myographiques du menton. Le flux aérien a été mesuré par un thermocoupleur bucco-nasal. Les efforts respiratoires ont été suivis grâce à l'utilisation d'une plethysmographie d'inductance, avec des capteurs de précision placés autour de la poitrine et de l'abdomen. La saturation artérielle en oxygène a été enregistrée d'une manière continue par oxymétrie puisée (Criticare Systems Inc., USA) pendant toute la période nocturne. Le polysomnogramme a été enregistré manuellement selon les critères standards (8,9).
Les événements respiratoires ont été enregistrés selon les critères proposés par FAmerican Academy of Sleep Médecine" (AASM). Les hypopnées ont été définies comme une réduction supérieure ou égale à 50 % du flux respiratoire par rapport à une valeur basale, durant au moins 10 secondes et associée à 3 % de désaturation ou à un éveil électroencéphalographique. Les apnées ont été définies comme un arrêt du flux aérien d'une durée supérieure à 10 secondes. L'apnée obstructive a été définie comme l'absence d'un passage d'air pendant au moins 10 secondes, en présence d'efforts persistants de respiration. L'index d'apnée (apnea + hypopnea index : "AHI") a été établi comme la somme du nombre d'apnées et d'hypopnées par heure de sommeil. Pour l'indice d'hypoxémie nocturne, le temps total avec SaO2 en dessous de 90 % a été considéré. Un index AHI supérieur ou égal à 10 a été choisi comme seuil pour conclure à la présence du OSAS. 3. Suivi par enregistrement ECG continu et analyse simultanée de la variabilité de la fréquence cardiaque (HRV) Les enregistrements nocturnes (durée moyenne : 7,3 ± 1,1 heures) ont été analysés grâce à un système NOVACOR (Rueil-Malmaison, France), modèle Vista, équipé du module pour la variabilité de la fréquence cardiaque. Afin d'effectuer l'analyse, chaque complexe QRS a été validé et la distance entre chaque QRS (noté intervalle RR) calculée.
Seuls les battements normaux ont été considérés pour l'analyse, les intervalles exclus en raison d'un trouble du rythme cardiaque ou d'un artefact étant remplacés par la prise en compte du niveau d'intervalle couplé précédent, ceci pendant tout l'intervalle de temps jusqu'au prochain intervalle couplé acceptable. Le système ECG Holter a permis d'extraire la liste des intervalles RR avec une précision de 1/200 seconde. Ensuite, un procédé de rééchantillonnage à 2,4 Hz a été appliqué. 4. Analyse en ondelettes Au contraire de Fourier, la transformée en ondelettes est adaptée pour l'analyse de signaux non-stationnaires (10, 11). De ce fait, il n'est pas nécessaire de vérifier la stabilité du contenu fréquentiel le long du signal analysé. Cette analyse permet d'extraire les fréquences caractéristiques contenues tout au long d'un signal qui, dans ce cas, était composé par des intervalles consécutifs entre des séries d'intervalles RR. La décomposition d'un signal par une transformée en ondelettes fait appel à une fonction mère adaptée, régulière et localisée. En partant de cette fonction initiale, une famille de fonctions est construite par dilatation et translocation, ce qui constitue l'Espace d'ondelettes. L'analyse consiste à faire glisser une fenêtre de taille adaptée (correspondant à différents niveaux) contenant la fonction d'ondelettes, tout au long du signal. Les calculs donnent une série de coefficients appelés coefficients d'ondelettes, qui représente l'évolution de la corrélation entre le signal f et l'ondelette choisie aux différents niveaux d'analyse (ou différentes gammes de fréquences) tout au long du signal f. Dans notre analyse, nous avons utilisé la transformée d'ondelettes "Daubechies 4 avelet Transform" (4). Pour chaque enregistrement, les coefficients d'ondelettes ont été calculés sur la base de 512 intervalles RR, donnant huit niveaux séparés d'analyse appelés Wv2, Wv4, Wv8, Wvl6, Wv32, Wv64, vl28 et V256. Ensuite, nous avons calculé la puissance de variabilité, niveau par niveau à l'aide de la somme des carrés des coefficients. Ainsi, nous avons obtenu, pour chaque enregistrement, la puissance spectrale pour chaque niveau. La somme des coefficients de puissance en ondelettes aux niveaux 2, 4 et 8 (HFwaveiet), correspondent approximativement aux hautes fréquences dans Fourier (un marqueur de l'activité parasympathique). Les coefficients de puissance en ondelettes aux niveaux 16 et 32 (LFWaveιet) correspondent approximativement aux basses fréquences de Fourier, de même que les coefficients de puissance en ondelettes aux niveaux 64 et 128 (VLFwaveiet) correspondent aux très basses fréquences de Fourier.
5. Analyse statistique Les données ont été analysées en utilisant Statvie , JMP (SAS Institute) et les arbres de classification et de régression CART (SYSTAT Inc., California Statistical Software, Salford Systems, San Diego, Ca). Les différences ont été considérées comme significatives pour p<0,05. Les valeurs ont été exprimées en terme de moyennes et de déviations standards (moyenne ± SD). Les analyses statistiques ont été réalisées pour évaluer la capacité des variables à discriminer les patients malades (OSAS+) des non-malades (OSAS-). Ainsi, la variable dépendante était le statut malade (OSAS+). Les variables indépendantes analysées ont été les niveaux Wv de Wv2 à Wv256. Une analyse selon la courbe ROC a été utilisée (12, 13), les domaines situés sous les courbes étant représentés par la lettre W. Une valeur de W égale à 0,5 signifie que les distributions des variables sont similaires dans les deux populations ; au contraire, une valeur de W égale à 1 signifie que les distributions des variables dans les deux populations ne se superposent pas. Une analyse par régression multiple a été utilisée pour confirmer l'analyse précédente effectuée par la courbe de ROC. La variable dépendante a été représentée par l'index apnée-hypopnée et les variables indépendantes incluses ont été constituées des niveaux Wv, présentant une valeur W significative avec les courbes ROC.
Un arbre de classification a alors été construit en utilisant les variables discriminantes révélées par les courbes ROC. La première variable utilisée a été celle déterminée comme permettant la meilleure séparation entre les sujets malades et non-malades. Les autres variables ont alors été introduites selon un ordre décroissant de leur pouvoir discriminatoire. Pour chaque variable continue, la valeur seuil ayant effet de séparateur pour prendre une décision a été choisie de manière à obtenir un nombre minimal de classifications fausses, c'est-à-dire permettant de πύnimiser la somme des résultats faux positifs et faux négatifs. La sensibilité, la spécificité et le pourcentage de concordance ont été calculés sur un échantillon test de cette dernière analyse. Le principe de la méthode CART est de regarder toutes les bifurcations possibles pour toutes les variables incluses dans l'analyse, à savoir les niveaux Wv. Les résultats sont sous la forme d'un arbre inversé. CART commence par un nœud racine et, par un procédé de questions avec des réponses oui/non, génère des nœuds descendants. Certains nœuds sont terminaux, ce qui signifie que la détermination finale pour la classification est atteinte, alors que d'autres nœuds continuent à se diviser jusqu'à ce que des nœuds terminaux soient atteints. Le premier aspect de la méthode CART est de sélectionner les questions à chaque nœud de bifurcation. La deuxième activité est de ranger par ordre chaque règle régulant une ramification sur la base d'un critère de qualité de la ramification. Lorsque la meilleure bifurcation est trouvée, CART répète le procédé de recherche pour chaque nœud engendré, continuant d'une manière récursive jusqu'à ce qu'une nouvelle ramification ne soit plus possible ou soit arrêtée. Ainsi, CART repose sur le développement d'arbres jusqu'à ce qu'il ne soit plus possible de les faire grandir davantage. Il est alors généré un arbre maximum et un ensemble de sous-arbres. Il a été choisi d'aller jusqu'à l'arbre maximum pour la présente analyse. La validation croisée a été effectuée en divisant un échantillon d'étude en 10 parts approximativement égales contenant des distributions similaires pour la variable dépendante. Les résultats de ces 10 échantillons mini- tests ont finalement été combinés pour former un taux d'erreur pour les arbres de toutes les tailles possibles ; ces taux d'erreur sont alors appliqués à l'arbre sur la base de tout l'échantillon d'étude. L'analyseur de performances de ce procédé complexe est un ensemble d'estimations fiables de l'exactitude indépendante prédictive de l'arbre.
11/ RESULTATS
Le tableau 1 résume les données cliniques du groupe de patients. L'OSAS a été diagnostiqué chez 66 patients (44,9 %) en utilisant un enregistrement de polysomnographie. Aucune différence significative, du point de vue des caractéristiques cliniques, de l'âge ou de l'indice de masse corporel (BMI), n'a été détectée entre les patients présentant ou ne présentant pas d'OSAS. Tableau 1 - Caractéristiques cliniques de la population (moyenne ± SD)
Figure imgf000017_0001
Note : BMI, Indice de Masse Corporel ; AHI, Index Apnée-Hypopnée ; OSAS+, Patient présentant un syndrome d'apnée obstructive du sommeil ; OSAS-, Patient ne présentant pas de syndrome d'apnée obstructive du sommeil.
La décomposition en ondelettes de l'analyse de la variabilité de l'HRV au cours d'une nuit chez un patient typique atteint d'OSAS (AHI : 40) est représentée à la figure 1. Il peut être noté dans une première approche visuelle subjective une augmentation des coefficients pour les niveaux Wv8, 16, 32, 64 et 128 en comparaison avec un patient non-apnéique.
Les courbes ROC (données continues) ont été construites séparément pour chaque variable de la variabilité de l'HRV (tableau 2). Toutes les variables de l'analyse temps-fréquence (Wv2 à Wv256), calculées sur l'emegistrement d'une nuit entière, permettent de séparer le statut malade (OSAS+) du statut non malade (OSAS-), avec une signification statistique (p<0.0001). Trois variables apparaissent comme des séparateurs exceptionnels : Wv32 (W=0.758, p<0.0001) ; Wvl6 (W=0.729, p<0.001) et Wv64 (W=0.7, p<0.0001). Tableau 2 - Variables de l'analyse temps-fréquence associées d'une manière significative avec l'OSAS par l'analyse des combes ROC (Receiver Operating Characteristic)
Figure imgf000018_0001
Les résultats des arbres optimaux construits à l'aide de la méthodologie CART sont présentés dans le tableau 3.
Tableau 3 - Importance relative des variables de l'HRV évaluée à l'aide de la méthodologie CART afin de prédire l'OSAS avec une valeur seuil de AHI de 10 (présentée en ordre décroissant)
Figure imgf000018_0002
La figure 2 contient l'essentiel de l'analyse par classification CART. Le diagramme de la classification en arbre présente 20 régions terminales et 19 nœuds d'information. Le niveau Wv32 représente la plus importante variable (1er nœud) suivi par Wvl6, Wv8 et Wv64. Le tableau 4 montre que le nombre de mauvaises classifications est très bas sur l'échantillon d'étude, avec un nombre total de 8 faux positifs et de 5 faux négatifs (figure 2). La sensibilité atteint 92.4 %, la spécificité 90.1 % et le pourcentage de concordance 91.2 % dans cette population,
Tableau 4 - Validation croisée et cas de mauvaise classification par classe (OSAS+/-) en utilisant la méthodologie de la classification par arbre. Les variables indépendantes de l'HRV sont WvZ Wv4, Wv8. Wyl6. Wv32. Wv64. Wyl28 et Wv256 (voir Méthodes et 10 figure 2)
Figure imgf000019_0001
15
BIBLIOGRAPHIE
(1) Roche, F., Gaspoz, J.M., Court-Fortune, I., Minini, P., Pichot, V., Duveπiey, D., Costes, F., Lacour, J.R., Barthélémy, J.C. (1999) "Screening of obstructive sleep apnea syndrome by heart rate variability analysis". Circulation 100:1411-15.
(2) Roche, F., Duverney, D., Court-Fortune, L, Pichot, V., Costes, F., Lacour, J.R., Anestis, A., Gaspoz, J.M., Barthélémy, J.C. (2002) "Cardiac interbeat interval incrément for the identification of obstructive sleep apnea syndrome". PAGE 25(8): 1192-1199. (3) Hilton, M.F., Bâtes, R.A., Godfrey, K.R., Chappell, M.J., Cayton R.M. (1999). "Evaluation offrequency and time-frequency spectral analysis of heart rate variability as a diagnostic marker of the sleep apnoea syndrome". Med. Biol. Eng. Co put. 37(6):760-69.
(4) Pichot, V., Gaspoz, J.M., Molliex, S., Anestis, A., Busso, T., Roche, F., Costes, F., Quintin, L., Lacour, J.R., Barthélémy, J.C. (1999) "Wavelet transform to quantify heart rate variability and to assess its instantaneous changes". J. Appl. Physiol. 86(3): 1081- 91.
(5) Roche, F., Nguyen Thanh, A., Court-Fortune, L, Costes, F., Pichot, V., Duverney, D., Vergnon, J.M., Gaspoz, J.M., Barthélémy, J.C. (2003) "Relationship among the seveήty of sleep apnea syndrome, cardiac arrhythmias, and autonomie imbalance". PAGE 26(3): 669-77.
(6) Breiman, L., Friedman, J., Olshen, R., Stone, C. (1984) "Classification and Régression Trees". Pacific Grove: Wadsworth.
(7) Thorpy, M.J., and the Diagnostic Classification Steering Committee (1990) "The International Classification of Sleep Disorders : Diagnostic and Coding Manuel". Rochester, Minn: American Sleep Disorders Association:52-58.
(8) American Academy of Sleep Médecine (1999) "Sleep-related breathing disorders in adults: recommendation for syndrome définition and measurement techniques in clinical research". Sleep 22:667-689. (9) Rechtschaffen, A., Kales A eds. "A manual of standardized techniques and scoring Systems for sleep stages ofhuman subjects". Los Angeles: BIS/BRI UCLA.
(10) Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology (1996) "Heart rate variability: standards of measurements, physiological interprétation, and clinical use". Circulation 93:1043-1065. (11) Akay, M., hitroduction (1995) "Wavelet transforms in biomédical engineering". Ann Biomed Eng 23:529-530.
(12) Hanley, J.A., McNeil, B.J., (1982) "The meaning and use of the area under receiver operating characteristic (ROC) curve". Radiology 143:29-36.
(13) Hanley, J.A., McNeil, B.J., (1983) "A ethod of cotnparing the areas under receiver operating characteristic curves derived from the same cases". Radiology 148 :839-43.

Claims

REVENDICATIONS 1/ Méthode d'analyse d'un signal issu d'un électiOcardiogramme (ECG) consistant à : - enregistrer un ECG en continu pendant le sommeil nocturne ; extraire les intervalles RR ; - analyser ce signal par transformée en ondelettes : . considérer des successions de 256 ou 512 ou 1024 intervalles, préférentiellement 512 intervalles, . affecter à chaque succession un coefficient d'ondelettes au niveau de fréquence Wv32 ou Wvl6 ou Wv8 ou Wv64, . calculer la puissance de variabilité à ce niveau, correspondant à la somme des carrés des coefficients.
2/ Méthode selon la revendication 1, caractérisée en ce que la puissance de variabilité calculée est comparée à une valeur seuil prédéterminée.
3/ Méthode selon l'une des revendications 1 à 2, caractérisée en ce que le niveau de fréquence sélectionné est Wv32.
4/ Méthode d'élaboration d'un arbre décisionnel pour l'OSAS consistant à: - choisir un échantillon de patients , - déterminer leur statut OSAS+/OSAS- par les méthodes classiques de diagnostic, enregistrer un ECG en continu pendant le sommeil nocturne, extraire les intervalles RR, analyser ce signal par transformée en ondelettes : . considérer des successions de 256 ou 512 ou 1024 intervalles, préférentiellement 512 intervalles, . affecter à chaque succession un coefficient d'ondelettes pour chaque niveau de fréquence Wv2, Wv4, Wv8, Wvl6, Wv32, Wv64, Wvl28, éventuellement Wv256, éventuellement Wv512, . calculer la puissance de variabilité à chaque niveau en faisant la somme des carrés des coefficients, - construire un arbre décisionnel selon la méthodologie CART intégrant l'ensemble de ces données. 5/ Méthode selon la revendication 4 caractérisé en ce que le nœud racine correspond à la valeur de la puissance associée au niveau de fréquence Wv32.
6/ Méthode selon l'une des revendications 4 et 5, caractérisée en ce que les noeuds descendants correspondent d'une manière dominante aux valeurs de puissance associées aux niveau de fréquence Wvl6 ou Wv8 ou Wv64.
Il Arbre décisionnel, obtenu par la méthode de l'une des revendications 4 à 6, caractérisé en ce qu'il se lit comme suit : - si la puissance associée au niveau de fréquence Wv32 est inférieure ou égale à 0.422 (1), alors la puissance associée au niveau Wv4 (2) est considérée : - si la puissance associée au niveau de fréquence Wv4 est inférieure ou égale à 0.081(2), alors la puissance associée au niveau de fréquence Wv2 (3) est considérée : - si cette puissance est supérieure à 0.110, alors une décision positive est prise ; - si elle est inférieure ou égale à 0.110, alors la puissance associée au niveau Wv4 (4) est considérée : si cette puissance est supérieure à 0.078, alors une décision positive est prise ; si elle est inférieure ou égale à 0.078, alors la puissance associée au niveau Wv2 (5) est considérée : si elle est inférieure ou égale à 0.039, une décision positive est prise ; si elle est supérieure, une décision négative est prise ; - dans le cas où la puissance à Wv32 est inférieure ou égale à 0.422 (1) et que la puissance associée au niveau Wv4 est supérieure à 0.081 (2), alors la puissance associée au niveau Wv256 (6) est considérée : - si elle est inférieure ou égale à 0.187, alors une décision négative est prise ; si elle est supérieure à 0.187, alors la puissance associée à Wv256 (7) est considérée : si elle est inférieure ou égale à 0.24, alors une décision positive est prise ; - si elle est supérieure à 0.24, une décision négative est prise ; si la puissance associée à Wv32 est strictement supérieure à 0.422 (1), mais inférieure ou égale à 1.191 (8), alors la puissance associée au niveau Wv64 (9) est considérée : - si cette puissance est inférieure ou égale à 0.713, alors la puissance au niveau Wv4 (10) est considérée : - si elle est supérieure à 0.582, une décision positive est prise ; si cette puissance est inférieure ou égale à 0.582, la puissance associée au niveau Wvl6 (11) est considérée : - si elle est inférieure ou égale à 0.347, une décision positive est prise ; si elle est supérieure à 0.347, la puissance au niveau Wv32 (12) est considérée : si elle est inférieure ou égale à 0.555, la puissance au niveau Wvl6 (13) est considérée : - si elle est inférieure ou égale à 0.574, alors une décision négative est prise ; - si au contraire elle est supérieure à 0.574, une décision positive est prise ; si la puissance associée au niveau Wv32 est supérieure à 0,555 (12), alors la puissance associée au niveau Wv8 (14) est considérée : si cette puissance est supérieure à 0.525, alors une décision négative est prise ; - si elle est inférieure ou égale à 0.525, la puissance associée au niveau Wv2 (15) est considérée : si cette puissance est inférieure ou égale à 0.527, alors une décision positive est prise ; sinon une décision négative est prise ; si, au niveau du noeud 9, la puissance associée à Wv64 est supérieure à 0.713, alors la puissance associée à Wvl28 (16) est considérée : si elle est inférieure ou égale à 0.517, une décision positive est prise, sinon une décision négative est prise ; si la puissance associée à Wv32 est supérieure à 1.191 (8), la puissance associée au niveau Wvl28 (17) est considérée : - si elle est strictement supérieure à 1.234, alors la réponse est négative ; - sinon, la puissance associée au niveau Wvl6 (18) est considérée : - si elle est supérieure à 1.350, une décision positive est prise ; si elle est inférieure ou égale à 1.263 (19), une décision positive est prise ; si, au contraire, elle est inférieure ou égale à 1.350 mais supérieure à 1.263, une décision négative est prise ; une décision positive correspondant à un statut OSAS+ et une décision négative à un statut OSAS-. 8/ Dispositif adapté à la mise en œuvre de la méthode selon l'une des revendications l à 6.
PCT/FR2004/050395 2003-08-28 2004-08-26 Utilisation des ondelettes pour analyser la variabilite de la frequence cardiaque, appliquee a la maladie du sommeil WO2005023106A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR0310244 2003-08-28
FR0310244A FR2859094A1 (fr) 2003-08-28 2003-08-28 Utilisation des ondelettes pour analyser la variabilite de la frequence cardiaque, appliquee a la maladie du sommeil

Publications (1)

Publication Number Publication Date
WO2005023106A1 true WO2005023106A1 (fr) 2005-03-17

Family

ID=34130630

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2004/050395 WO2005023106A1 (fr) 2003-08-28 2004-08-26 Utilisation des ondelettes pour analyser la variabilite de la frequence cardiaque, appliquee a la maladie du sommeil

Country Status (2)

Country Link
FR (1) FR2859094A1 (fr)
WO (1) WO2005023106A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107569212A (zh) * 2017-08-30 2018-01-12 上海市共进医疗科技有限公司 一种基于心率检测呼吸睡眠暂停综合征的设备、系统和方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2185063B1 (fr) * 2007-08-21 2017-11-08 University College Dublin, National University of Ireland Dublin Procédé et système pour surveiller la somnolence

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2807851A1 (fr) * 2000-04-14 2001-10-19 Novacor Procede et dispositif de detection de la fibrillation auriculaire cardiaque par la methode des ondelettes
WO2003057025A2 (fr) * 2002-01-07 2003-07-17 Widemed Ltd. Systeme auto-adaptable pour analyser les signaux biomedicaux d'un patient

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2807851A1 (fr) * 2000-04-14 2001-10-19 Novacor Procede et dispositif de detection de la fibrillation auriculaire cardiaque par la methode des ondelettes
WO2003057025A2 (fr) * 2002-01-07 2003-07-17 Widemed Ltd. Systeme auto-adaptable pour analyser les signaux biomedicaux d'un patient

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107569212A (zh) * 2017-08-30 2018-01-12 上海市共进医疗科技有限公司 一种基于心率检测呼吸睡眠暂停综合征的设备、系统和方法

Also Published As

Publication number Publication date
FR2859094A1 (fr) 2005-03-04

Similar Documents

Publication Publication Date Title
US7623912B2 (en) Method, apparatus and system for characterizing sleep
CA2721154C (fr) Procede et appareil non invasifs pour determiner des stades de sommeil leger et de sommeil profond
US20210275090A1 (en) Sleep apena detection system and method
US7794406B2 (en) Detection of cardiac arrhythmias using a photoplethysmograph
Hwang et al. Nocturnal awakening and sleep efficiency estimation using unobtrusively measured ballistocardiogram
WO2018180219A1 (fr) Évaluation d&#39;un état de sommeil
Bresler et al. Differentiating between light and deep sleep stages using an ambulatory device based on peripheral arterial tonometry
US20110054279A1 (en) Diagnosis of periodic breathing
JP6727432B2 (ja) 睡眠判定装置、睡眠判定方法、および、睡眠判定プログラム
Younes et al. Accuracy of automatic polysomnography scoring using frontal electrodes
JP2021517008A (ja) 睡眠時無呼吸検出システム及び方法
Tataraidze et al. Sleep stage classification based on respiratory signal
WO2008132736A2 (fr) Procédé et dispositif permettant de caractériser le sommeil
Rahman et al. Severity classification of obstructive sleep apnea using only heart rate variability measures with an ensemble classifier
Bellos et al. Extraction and Analysis of features acquired by wearable sensors network
Sloboda et al. A simple sleep stage identification technique for incorporation in inexpensive electronic sleep screening devices
Tataraidze et al. Sleep stage classification based on bioradiolocation signals
FR3064463A1 (fr) Procede de determination d&#39;un ensemble d&#39;au moins un descripteur cardio-respiratoire d&#39;un individu pendant son sommeil et systeme correspondant.
WO2005023106A1 (fr) Utilisation des ondelettes pour analyser la variabilite de la frequence cardiaque, appliquee a la maladie du sommeil
Morillo et al. Monitoring and analysis of cardio respiratory and snoring signals by using an accelerometer
Lee et al. Apnea-hypopnea index prediction through an assessment of autonomic influence on heart rate in wakefulness
Hossen A novel method for identification of obstructive sleep apnea
Schumann Fluctuations and synchronization in complex physiological systems
TWI810619B (zh) 睡眠狀態判別系統及方法
수면 et al. Prediction of Sleep Efficiency and Apnea-Hypopnea Index with Cardiorespiratory Signals Obtained During Sleep-Onset Period

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BW BY BZ CA CH CN CO CR CU CZ DE DK DM DZ EC EE EG ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NA NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SY TJ TM TN TR TT TZ UA UG US UZ VC VN YU ZA ZM ZW

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): BW GH GM KE LS MW MZ NA SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IT LU MC NL PL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

121 Ep: the epo has been informed by wipo that ep was designated in this application
122 Ep: pct application non-entry in european phase