Cette analyse de la publication scientifique « Advancements, challenges, and prospects of explainable AI in sleep disordered breathing » a été réalisée par l’équipe scientifique de Docmeup.
L’IA en médecine pour l’apnée du sommeil : puissante mais aveugle
Les algorithmes d’intelligence artificielle offrent des performances prometteuses pour le diagnostic des troubles respiratoires du sommeil (SAOS). Pourtant, un obstacle majeur freine leur adoption clinique : l’opacité des réseaux de neurones profonds, dont les décisions restent impossibles à auditer. Cette boîte noire pose des problèmes de responsabilité médicale, de confiance des praticiens, et de contrôle des biais. C’est cet angle mort que Lisik et al. cherchent à combler dans cette revue publiée dans Sleep & Breathing en avril 2026, consacrée à l’IA explicable (XAI) en médecine du sommeil.
SHAP, LIME et Federated Learning : le pipeline clinique du futur
Les auteurs ont mené une revue narrative sur cinq années de littérature (PubMed, ScienceDirect, Google Scholar), complétée par une analyse bibliométrique via VOSviewer. Leur principale observation : les surcouches XAI comme SHAP et LIME maintiennent des performances diagnostiques compétitives (précision et aire sous la courbe) tout en rendant les raisonnements algorithmiques accessibles aux cliniciens. L’article propose un pipeline clinique théorique qui intègre des données multimodales (polysomnographie, dossier médical, wearables) pour identifier des « traits traitables » propres à chaque patient via clustering XAI. Face aux défis de gouvernance des données de santé, les auteurs préconisent le Federated Learning, qui permet un entraînement multicentrique sans partage de données brutes, ainsi que des mécanismes de confidentialité différentielle.
LIRE AUSSI : L’IA en santé mentale : ce que la littérature dit vraiment sur la solidité du consensus scientifique
Une revue narrative rigoureuse dans ses constats
L’absence d’un protocole systématique formalisé (pas de PRISMA, pas d’équation de recherche reproductible, pas d’évaluation du risque de biais via PROBAST) expose la revue à un risque de sélection sélective de la littérature. Les études incluses s’appuient encore principalement sur des cohortes rétrospectives in silico, loin de la pratique clinique réelle. Par ailleurs, les auteurs documentent les biais des algorithmes d’IA avec précision, mais omettent de reconnaître les faiblesses méthodologiques de leur propre travail.
LIRE AUSSI : Comment évaluer la solidité d’une revue narrative avant de l’utiliser dans votre pratique ?
Ce que vous pouvez en retenir
Aucune solution XAI n’est aujourd’hui prête pour un déploiement routinier en médecine du sommeil, faute d’essais prospectifs en conditions réelles. En revanche, pour les équipes impliquées dans le développement ou la certification de dispositifs médicaux logiciels (SaMD), l’intégration native de l’explicabilité et du Federated Learning s’impose comme un impératif stratégique et réglementaire. Notre synthèse complète détaille les mécanismes proposés, la taxonomie des biais IA présentée dans l’article et les critères de validation indispensables avant tout déploiement clinique.
Référence : Daniil Lisik, Tai Dinh, Ding Zou. Advancements, challenges, and prospects of explainable AI in sleep disordered breathing. Sleep & breathing. Avril 2026. DOI: 10.1007/s11325-026-03674-3. PMID: 42059995. Mots-clés : sleep apnea.
