Sleep apnea trajectories deciphered by innovative multidimensional data analyses (STRATA)

Objectif(s) de la recherche et intérêt pour la santé publique

Finalité de l'étude

Objectifs poursuivis

Domaines médicaux investigués

Bénéfices attendus

La prévalence estimée du syndrome d'apnées obstructive du sommeil (SAOS) modérée à sévère chez les adultes âgés de 30 à 69 ans est de 22,7 % en Europe et de 36,3 % en France. Bien que le SAOS ait un impact direct sur la qualité de vie et les résultats des patients (c'est-à-dire le développement et l'aggravation des comorbidités métaboliques et cardiovasculaires) et qu'il soit associé à une mortalité précoce, la maladie est largement sous-estimée en termes de politiques de santé.
Le pronostic des patients souffrant de SAOS est lié à l'observance du traitement de première intention recommandé, la pression positive continue (PPC), qui ouvre et stabilise les voies aériennes supérieures pendant le sommeil. La PPC est très efficace pour améliorer les résultats rapportés par les patients (PROMs) et le risque cardiovasculaire chez les patients qui adhèrent au traitement. Une analyse des données de la base nationale médico-administrative française (SNDS) par le laboratoire HP2 a montré que le taux d’abandon du traitement dans les trois ans après son initiation est près de 50% et que la mortalité associée à l’arrêt du traitement est plus élevée. Les prestataires de soins à domicile (PSADs), en France, sont les intermédiaires entre le médecin et le patient pour l’appareillage à domicile des patients sous PPC et reçoivent le remboursement des PPC sur la base d’un rapport d’observance tous les 28 jours. Pour limiter les arrêts de traitement ou les inobservances (moins de 4h d’utilisation par nuit), les PSADs ont mis en place un parcours de soin associé à des alertes systématiques. Ce parcours n’est pas personnalisé, et il n’y a pas d’adaptation en fonction du profil des patients. L’application d’approche de machine learning sur les données cliniques et les données de télésuivi doit permettre une meilleure gestion des alertes d’observance. Le développement d’algorithmes personnalisés basés sur une connaissance issue de la recherche clinique et des données de télémonitoring en temps réel est un apport unique permettant aux médecins de mieux accompagner leurs patients tout en optimisant le parcours de soin par le prestataire de santé. Cela doit permettre une individualisation de l’accompagnement et une optimisation des ressources humaines et financières basé sur l’analyse des données en temps réel.
En s’appuyant sur un algorithme simple et explicable basé sur une approche de classification supervisée permettant de prédire la variable observance au traitement à court terme (3 et 5 mois) après l’initiation du traitement par PPC, il sera possible de prédire le comportement d’observance d’un patient avant la levée d’une alerte et ainsi d’anticiper la prise en charge.
Améliorer la caractérisation du SAOS en combinant différents biomarqueurs (tels que le statut socio-économique, les données brutes de la PSG, les données cliniques, les facteurs de risque, l'activité physique) pour identifier des phénotypes multidimensionnels de patients et prédire l’évolution des symptômes et de l’observance au traitement par PPC à court, moyen et long terme ainsi que l’impact sur les événements de santé cardiovasculaire et mortalité (MACEs).