Beyond AHI: An Interpretable Causal-Discovery-Guided Framework for Sleep Recovery in Connected Health

Résumé Technique : Au-delà de l'IAH : Un cadre guidé par la découverte causale interprétable pour la récupération du sommeil en santé connectée

Énoncé du problème
L'évaluation clinique du sommeil repose actuellement largement sur l'Indice d'Apnées-Hypopnées (IAH) et d'autres indices de synthèse dérivés de la polysomnographie (PSG). Bien que ces mesures soient utiles pour diagnostiquer des troubles du sommeil spécifiques, elles échouent souvent à capturer le fardeau physiologique intégré sous-jacent à la récupération fonctionnelle. Par conséquent, il existe un décalage persistant entre la physiologie du sommeil objective et les résultats rapportés par les patients (PRO), tels que la somnolence diurne, la fatigue et la qualité perçue du sommeil. De plus, les approches actuelles d'apprentissage automatique pour l'analyse de la PSG fonctionnent souvent comme des « boîtes noires » optimisées pour l'association prédictive plutôt que pour l'interprétabilité mécaniste, ce la limitant dans son utilité pour la confiance clinique et la traduction vers les technologies de santé connectée. Le défi réside dans la traduction de biosignaux multimodaux continus en mesures de récupération cliniquement interprétables qui reflètent une physiologie multidomaine plutôt que des comptages d'événements isolés.

Méthodologie
Les auteurs proposent un cadre guidé par la découverte causale pour dériver un Score de Récupération du Sommeil (SRS) hiérarchique à partir de données de PSG multimodales. Le cadre fonctionne via un pipeline structuré en cinq étapes appliqué à deux cohortes de population indépendantes : MESA ($n=1\,540$) et MrOS ($n=825$).

1. Construction des caractéristiques et sélection des résultats : L'étude utilise un large ensemble de caractéristiques physiologiques couvrant cinq domaines : le fardeau respiratoire, le fardeau hypoxique, la fragmentation du sommeil, l'architecture du sommeil et la régulation autonome. Celles-ci sont liées aux PRO liés à la récupération (ex. : échelle de somnolence d'Epworth, fatigue, qualité perçue du sommeil).
2. Estimation du graphe causal : En utilisant l'algorithme linéaire NOTEARS, les auteurs estiment un Graphe Acyclique Dirigé (DAG) creux pour identifier les candidats aux moteurs physiologiques pour chaque PRO. Pour garantir la robustesse, ils emploient une sélection de stabilité par bootstrap (500 rééchantillonnages), ne conservant que les arêtes avec une fréquence de sélection $\ge 0,6$.
3. Écran de sélection à deux étapes : Pour traiter les limites des données observationnelles et garantir la plausibilité physiologique, un processus de filtrage rigoureux est appliqué :
   • Étape 1 (basée sur la physiologie) : Les arêtes incompatibles avec les mécanismes du sommeil établis (ex. : suppression des proxys démographiques comme l'âge ou la race qui agissent comme des facteurs de confusion structurels) sont filtrées.
   • Étape 2 (Audit assisté par LLM sous contrainte) : Les candidats restants sont soumis à un protocole de classification structuré utilisant un Grand Modèle de Langage (LLM) sous contrainte. Les caractéristiques sont classées comme moteurs mécanistes plausibles, facteurs de confusion structurels ou variables de fuage par chevauchement de construit (ex. : mesures subjectives corrélées par construction avec la cible). Seules les caractéristiques classées comme moteurs plausibles par les deux couches progressent.
4. Agrégation de consensus : Les mécanismes sont conservés uniquement s'ils apparaissent dans au moins deux résultats de récupération différents, réduisant ainsi le bruit spécifique au résultat.
5. Synthèse du score hiérarchique : Les caractéristiques retenues sont regroupées dans les cinq domaines physiologiques. Les scores de domaine sont calculés comme des sommes pondérées de caractéristiques normalisées, où les poids sont proportionnels à l'amplitude et à la stabilité de l'arête. Le SRS final est une agrégation hiérarchique de ces scores de domaine, standardisée au sein de chaque cohorte.

Contributions clés

• Modélisation multidomaine interprétable : L'article introduit un SRS hiérarchique qui dépasse les indices respiratoires uniques (comme l'IAH) en reliant explicitement la PSG multimodale aux résultats de récupération rapportés par les patients via un cadre transparent et structuré par domaines.
• Identification de mécanismes guidée par la découverte causale : Les auteurs appliquent la découverte causale basée sur les DAG, affinée par des contraintes physiologiques et un audit assisté par LLM sous contrainte, pour extraire des domaines de récupération récurrents et physiologiquement interprétables.
• Preuves trans-cohortes pour la santé connectée : Le cadre démontre une convergence cohérente sur cinq domaines physiologiques à travers deux cohortes distinctes, montrant un meilleur alignement avec la récupération perçue que l'IAH. Cela soutient la traduction de la modélisation de la récupération vers les systèmes de détection distribués et portables (ex. : ECG portable, oxymétrie) qui capturent des sous-ensembles de ces domaines.

Résultats

• Convergence mécaniste : À travers MESA et MrOS, le cadre a identifié de manière cohérente cinq domaines physiologiques associés à une récupération altérée : le fardeau respiratoire, le fardeau hypoxique, la fragmentation du sommeil, l'architecture du sommeil (incluant la dynamique de l'EEG) et la régulation autonome.
• Distillation des caractéristiques : Dans MESA, le processus a distillé 53 caractéristiques initiales en 32 mécanismes de consensus. Dans MrOS, 174 caractéristiques ont été réduites à 28. Les covariables structurelles (âge, sexe, race) et les variables de chevauchement de construit ont été éliminées avec succès.
• Association avec les résultats : Le SRS a démontré des associations statistiquement significatives avec quatre des cinq résultats de récupération, tandis que l'IAH n'a atteint la significativité que pour un seul.
  • Dans MESA, le SRS a montré des corrélations significatives avec l'échelle de somnolence d'Epworth ($\rho = 0,098$) et la somnolence diurne ($\rho = 0,074$), alors que l'IAH était non significatif pour les deux.
  • Dans MrOS, le SRS a corrélé significativement avec la qualité perçue du sommeil ($\rho = 0,107$) et les difficultés d'endormissement ($\rho = 0,111$), tandis que l'IAH était non significatif.
• Gain de performance : Le SRS a montré un alignement jusqu'à 2,5 fois plus fort avec les résultats de récupération perçue par rapport à l'IAH dans des cas spécifiques (ex. : qualité perçue du sommeil dans MrOS).

Signification et affirmations
L'article affirme que le sommeil réparateur est mieux caractérisé comme un construit physiologique multidomaine plutôt que comme un indice respiratoire unique. Le cadre proposé ne cherche pas à remplacer les mesures spécifiques à la maladie comme l'IAH, mais plutôt à les compléter en capturant le substrat physiologique plus large de la récupération. En reliant explicitement la physiologie du sommeil multimodale aux résultats centrés sur le patient via un cadre interprétable, conscient des biais et structuré par domaines, ce travail fournit une base pratique pour la modélisation de la récupération tant dans les études cliniques du sommeil que dans les contextes émergents de santé intelligente et connectée. Les auteurs soulignent que le SRS permet la décomposition des moteurs de récupération (ex. : distinguer le fardeau hypoxique de la dysrégulation autonome), permettant des interventions ciblées que les évaluations traditionnelles basées sur l'IAH ne peuvent soutenir.

Note sur les limites : Les auteurs reconnaissent modestement que l'analyse est transversale et n'établit pas de causalité temporelle. Ils notent que la formulation linéaire de NOTEARS peut manquer les interactions non linéaires et que l'audit assisté par LLM, bien que cohérent, repose sur des invites (prompts) contraintes plutôt que sur un examen direct par des experts du domaine. Les corrélations avec les résultats subjectifs étaient modestes, reflétant la nature multifactorielle de la récupération perçue.