Sous l’impulsion d’une équipe française, cette synthèse bibliographique s’attache à décrire comment l’intelligence artificielle (IA) est utilisée, dans la littérature récente, pour analyser et améliorer l’adhésion au traitement par PPC (pression positive continue) chez les adultes ayant un syndrome d’apnées obstructives du sommeil (SAHOS).
Les auteurs ont classé les approches utilisées en trois grandes familles :
- Apprentissage non supervisé pour identifier des profils de patients et des trajectoires d’adhésion.
- Apprentissage supervisé pour prédire l’adhésion à court et long terme.
- Outils numériques « intelligents » (télésurveillance, applications, plateformes) intégrant des algorithmes pour soutenir l’adhésion.
Méthode : comment la revue a été réalisée ?
Les auteurs ont mené une recherche systématique complétée par un repérage ciblé des innovations industrielles à partir des données de PubMed, Scopus, IEEE Xplore pendant la période de 2010-2015, pour des patients SAHOS traités par PPC, et bénéficiant d’une méthode d’IA ou de machine learning
Soixante études ont été retenues. : 16 études d’apprentissage non supervisé (profils / trajectoires), 15 études d’apprentissage supervisé (prédiction d’adhésion), 29 études d’outils de télésurveillance / e‑santé avec logique automatisée ou IA.
Les données extraites pour chaque étude : population, type de données, type
Résultats – Ce que fait l’IA en non supervisé (analyse des comportements)
Ici, l’IA ne fait que « regrouper » les patients en fonction de leur comportement sous CPAP ou de leur profil clinique, sans a priori.
Il existe des profils comportementaux récurrents
Quelle que soit la méthode, les algorithmes retrouvent 3 grands profils d’adhésion :
- Utilisateurs stables / élevés : usage suffisant dès le début, stable dans le temps.
- Utilisateurs déclinants : bon démarrage, puis baisse progressive jusqu’à faible usage voire abandon.
- Utilisateurs fluctuants (« attempters ») : alternance de périodes d’usage et de non‑usage.
Les modèles plus sophistiqués peuvent détailler jusqu’à 6 à 9 trajectoires mais la structure centrale reste la même dans toutes les cohortes.
Ces résultats sont les plus intéressants dans les 7–14 premiers jours
- Des études montrent que les trajectoires établies dans les 7–14 premiers jours prédisent déjà l’adhésion à 3 mois, avec des coefficients de détermination R² > 0,6.
- Dans une cohorte, 98 % des patients non adhérents à 3 mois avaient déjà une utilisation insuffisante à la fin du 1er mois.
- L’adhésion est une dynamique, pas un chiffre figé. Elle permet de repérer très tôt des trajectoires typiques, qui justifient des stratégies de suivi différenciées.
Phénotypes cliniques et comorbidités
D’autres travaux appliquent le clustering aux données cliniques : âge, IMC, AHI, oxygénation, comorbidités cardio‑métaboliques, symptômes.
Ils identifient par exemple :
- Des jeunes très symptomatiques, plutôt bons adhérents.
- Des sujets âgés, obèses, multimorbides, avec adhésion plus faible.
- Des patients peu symptomatiques, mais très comorbides (HTA, maladies cardiovasculaires) et relativement peu adhérents malgré un AHI similaire.
Apport de l’IA : elle montre que l’index d’apnée-hypopnées seul ne suffit pas pour prédire l’adhésion ; les comorbidités et la symptomatologie structurent des profils à risque particulier, ce qui plaide pour un phénotypage multidimensionnel.
Résultats – Ce que fait l’IA en supervisé (prédire l’adhésion)
En apprentissage supervisé, l’IA analyse des données d’entrée et une cible à prédire :
- Adhérent / non‑adhérent (classification).
- Heures d’usage ou % de jours utilisés (régression).
Période où l’IA est la plus utile :
- Quand on lui donne les 7–30 premiers jours de données, et qu’on lui demande de prédire l’adhésion à 1–3 mois.
- Plus l’horizon s’éloigne (1 an, 365 jours), plus les performances diminuent, même avec plus de données, à cause de facteurs psychosociaux non mesurés.
- L’intérêt de l’IA est de transformer quelques jours de données CPAP en une prévision quantifiée de l’usage futur (en heures/nuit ou % jours) avec une précision élevée, permettant de stratifier les patients et de planifier les interventions.
Résultats – Outils « intelligents » de télésurveillance (agir sur l’adhésion)
La troisième famille regroupe les programmes de télémédecine et d’e‑santé qui exploitent les données CPAP en temps réel pour adapter le suivi.
Que font concrètement ces outils ?
Ils associent :
- Une transmission quotidienne de l’usage, des fuites, de l’AHI.
- Des Tableaux de bord pour les soignants avec alertes (par ex. alerte si <4 h/nuit plusieurs jours).
- Un feedback au patient : scores, messages, conseils, coaching via appli ou SMS.
- Parfois, des modules IA de profilage + prédiction pour proposer des scénarios de suivi personnalisés.
Exemples :
- myAir / AirView / DreamMapper : plateformes industrielles de télésuivi et d’engagement.
- MiSAOS : système intelligent de monitoring avec prédiction d’adhésion et messages personnalisés.
- HIaaS (Homecare Intervention as a Service) : segmentation K‑means + models de prédiction pour planifier des appels téléphoniques ciblés.
Effets sur l’adhésion (résultats les plus solides)
Les études convergent : télésurveillance + intervention structurée améliore nettement l’adhésion par rapport au suivi standard.
- Gain de temps d’usage :
- DreamMapper : +1,1 h/nuit à 90 jours vs soins usuels.
- MiSAOS : usage 5,79 vs 4,89 h/jour (≈ +0,9 h) vs suivi standard.
- Plateformes avec engagement myAir : 5,9 vs 4,9 h/nuit.
- Taux d’adhésion (≥ 4 h/nuit ≥ 70 % des nuits) :
- AirView + myAir : 87,3 % vs 70,4 % en soins classiques.
- DreamMapper : 78 % vs 63 % d’adhésion à 90 jours.
- Persistance du traitement :
- Proactive AirView : arrêt de traitement à 1 an 5,4 % vs 11 % en suivi standard.
Les bénéfices sont maximaux chez les « mauvais adhérents » au départ : dans le cadre HIaaS, les non‑adhérents et « attempters » gagnent respectivement +1,02 h/nuit et +0,69 h/nuit après interventions personnalisées.
Au‑delà des heures d’utilisation: qualité de traitement et coûts
Les programmes les plus complets montrent aussi :
- Moins de fuites, meilleur AHI résiduel, et amélioration de la qualité de vie et de la vigilance.
- Moins de temps infirmier par patient (39 vs 58 minutes dans une étude) et ≈ 17 % de réduction des coûts annuels dans certains dispositifs.
- Dans des cas industriels, des économies de plus de 4 000 € par patient ont été estimées.
Apport spécifique de l’IA dans ces outils :
- L’IA permet de prioriser les patients (scores de risque, profils comportementaux) pour concentrer les efforts humains là où ils sont le plus utiles.
- Dans des systèmes comme MiSAOS ou HIaaS, elle pilote le type et la fréquence des messages / appels, ce qui renforce l’efficience des programmes de télésuivi.
Au final, quel apport de l’IA ?
Un intérêt évident de l’IA
- Redéfinir l’adhésion comme trajectoire
- L’IA montre que l’adhésion est multi‑dimensionnelle et dynamique, avec des patterns robustes identifiables dès les 2 premières semaines.
- Identifier très tôt les patients à risque
- Les modèles supervisés, même simples, prédisent avec une très bonne précision (AUC > 0,8, voire 0,97) qui sera non adhérent à 3 mois, en utilisant 7–30 jours de données.
- Permettre des interventions ciblées et efficientes
- Les outils intelligents, parfois d’ IA augmenté, ont un impact clinique réel : +1 h/nuit, plus d’adhérents, moins d’abandons, meilleure qualité de traitement, réduction de coûts.
Mais des limites et des points de vigilance
- Hétérogénéité des définitions d’adhésion et des métriques.
- Modèles souvent construits sur des données rétrospectives ou propriétaires, avec des problèmes pour généraliser les process.
- Gestion des échappements (patients qui n’initient jamais ou qui rendent l’appareil) rarement standardisée, ce qui fausse les analyses de régression.
- Les modèles prédictifs disent « combien » le patient utilisera, mais rarement « pourquoi » il n’utilise pas (fuites, insomnie, anxiété, insatisfaction du bénéfice, etc.).
Perspectives proposées par les auteurs
- Aller vers une intégration clinique plus forte : IA + télésuivi + phénotypage physiologique (endotypes des SAHOS + données psychosociales.
- Standardiser les définitions, les pré‑traitement, la gestion des manquants et des échappements.
- Développer des modèles qui prédisent non seulement l’adhésion, mais les causes probables de non‑adhésion, pour orienter le type d’intervention (technique vs comportementale).
Étendre l’IA vers des systèmes plus impliqués » : chatbots de soutien, optimisation automatisée des réglages, triage autonome dans un cadre sécurisé par le clinicien
