JOURNAL OF FUNCTIONAL VENTILATION AND PULMONOLOGY [Journal de la Fonction Ventilatoire et de Pneumologie]

ABSTRACT:

Traditional polysomnography (PSG) analysis methods rely mainly on predefined annotations and a limited set of discrete indices. To unlock the vast reservoir of health-related information embedded in multimodal nocturnal biosignals from large-scale databases, self-supervised transformer-based machine learning models have been developed. By integrating primary input sources–including electroencephalogram (EEG), electrocardiogram (ECG), and respiratory polygraphy signals–and employing contrastive learning to autonomously identify correlations independent of predefined labels, these models have demonstrated breakthrough performance, surpassing traditional models in sleep stage classification and sleep apnea detection, while enabling the prediction with high accuracy across 130 disease conditions, ranging from somatic diseases to neuropsychiatric disorders.

These findings indicate that, beyond its essential physiological functions, sleep serves as a “biological window” reflecting both organ-specific and systemic health status. They also highlight the actionability of sleep-derived data when subtle, sub-perceptual signals—undetectable to the human eye—are integrated, synchronized, and comprehensively analyzed alongside diverse clinical phenotypes. Such an approach enables polysomnographic outputs to be transformed into early predictive indicators of disease and survival, and into an effective, non-invasive screening modality, potentially years before clinical symptoms begin to manifest.

These foundational successes are revolutionizing the decoding of sleep data, paving the way for the integration of artificial intelligence into precision medicine and large-scale preventive medicine. Ultimately, the use of sleep-recorded data as a component of clinical decision-support systems, based on a "sleep print" promises to enhance home-based health monitoring and proactive intervention.

Keywords: Sleep, polysomnography, AI, prediction, disease, morbidity, mortality

RÉSUMÉ:
Les méthodes traditionnelles d’analyse de la polysomnographie (PSG) reposent principalement sur des annotations prédéfinies et sur un ensemble limité d’indices discrets. Afin d’exploiter l’immense quantité d’informations liées à la santé contenues dans les biosignaux nocturnes multimodaux issus de bases de données à grande échelle, des modèles d’apprentissage automatique auto-supervisés basés sur les transformeurs ont été développés. En intégrant des sources principales de données – notamment les signaux d’électroencéphalographie (EEG), d’électrocardiographie (ECG) et de polygraphie respiratoire – et en utilisant l’apprentissage contrastif pour identifier de manière autonome des corrélations indépendantes des étiquettes prédéfinies, ces modèles ont démontré des performances révolutionnaires. Ils surpassent les modèles traditionnels dans la classification des stades du sommeil et la détection de l’apnée du sommeil, tout en permettant la prédiction avec une grande précision de 130 pathologies différentes, allant des maladies somatiques aux troubles neuropsychiatriques.

Ces résultats indiquent qu’au-delà de ses fonctions physiologiques essentielles, le sommeil constitue une « fenêtre biologique » reflétant à la fois l’état de santé spécifique des organes et l’état de santé systémique. Ils mettent également en évidence le potentiel exploitable des données dérivées du sommeil lorsque des signaux subtils et infra-perceptibles – indétectables à l’œil humain – sont intégrés, synchronisés et analysés de manière exhaustive en association avec divers phénotypes cliniques. Une telle approche permet de transformer les résultats polysomnographiques en indicateurs prédictifs précoces de maladie et de survie, ainsi qu’en une modalité de dépistage efficace et non invasive, potentiellement plusieurs années avant l’apparition des symptômes cliniques.

Ces succès fondamentaux révolutionnent le décodage des données du sommeil et ouvrent la voie à l’intégration de l’intelligence artificielle dans la médecine de précision et la médecine préventive à grande échelle. En définitive, l’utilisation des données enregistrées pendant le sommeil comme composante des systèmes d’aide à la décision clinique, fondés sur une « empreinte du sommeil » (sleep print), promet d’améliorer la surveillance de la santé à domicile ainsi que les interventions proactives.

Mots-clés: sommeil; polysomnographie; intelligence artificielle; prédiction; maladie; morbidité; mortalité.