Cette étude explore l’association entre le temps du sommeil passé en effort respiratoire augmenté (RE_dt) et la prévalence d’une hypertension systémique (HTA) chez des adultes adressés pour suspicion de syndrome d’apnées obstructives du sommeil (SAOS).

Notre analyse applique la technique d’auto-apprentissage (machine learning) interprétable. Un modèle de classement a été développé pour estimer la probabilité d’observer une HTA à partir des données cliniques et polysomnographiques (18 paramètres), incluant le calcul de RE_dt dérivé de l’enregistrement des mouvements mandibulaires au moyen de la technologie Sunrise (Sr-RE_dt) (Namur, Belgique). L’analyse inclut 1127 patients (30 % avec HTA), dont 80 % forment le groupe pour l’entraînement du modèle. Validé sur les données indépendantes de 226 patients, le modèle présente une performance optimale pour détecter la présence d’une HTA (sensibilité de 0,75 ; spécificité de 0,83).

L’interprétation du modèle utilisant le score de Shapley permet de montrer qu’après les facteurs de risque cliniques habituels (âge, sexe masculin, proportion du temps de sommeil passé sous 90 % de SpO₂, indice de masse corporelle, dont les scores sont respectivement de 0,69, 0,51, 0,35 et 0,33), RE_dt est le facteur qui contribue le plus à la prédiction de l’HTA (score de Shapley=0,18) et davantage que les autres métriques dérivées de la polysomnographie SHAP (scores de Shapley variant de 0,02 à 0,09).

En conclusion, l’étude suggère fortement que RE_dt, le temps du sommeil passé en effort respiratoire augmenté, automatiquement dérivé des mouvements mandibulaires est une mesure à prendre en compte pour prédire du risque d’une HTA chez les patients SAOS.