<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0">
  <channel>
    <title>polysomnography</title>
    <link>https://aleph.edinum.org:443/18368</link>
    <description></description>
    <language>fr</language>
    <ttl>0</ttl>
    <item>
      <title>Artificial Intelligence for the Diagnosis and Classification of Sleep Disorders: A Critical Narrative Review of International Evidence</title>
      <link>https://aleph.edinum.org:443/18359</link>
      <description>Sleep medicine increasingly relies on artificial intelligence (AI) to process polysomnographic signals, automate sleep-stage scoring, identify obstructive sleep apnea, and extend monitoring beyond the laboratory. Yet high classification scores reported in computational studies do not, by themselves, establish clinical validity. This critical narrative review examines how AI is being used in the diagnosis and classification of sleep disorders and clarifies the conditions under which algorithmic performance may translate into safe clinical support. A targeted review of international peer-reviewed literature published mainly between 2017 and 2025 was undertaken, supplemented by foundational sources on sleep staging and standard diagnostic instruments. The analysis compares signal-based deep-learning models, machine-learning classifiers using lifestyle and clinical variables, wearable and nearable technologies, and digitally delivered cognitive-behavioral interventions for insomnia. The evidence indicates that convolutional, recurrent, and attention-based architectures can approximate expert sleep-stage scoring on benchmark datasets, while wearable AI shows promising pooled performance for sleep-apnea detection. However, external validation remains uneven; several classification studies reuse the same small public dataset; class imbalance and data leakage are insufficiently discussed; and accuracy is often privileged over calibration, interpretability, fairness, and clinical utility. Consumer devices also show marked variability when compared with polysomnography. AI should therefore be positioned as an auditable decision-support layer rather than an autonomous substitute for clinical assessment. Future research requires multicenter prospective validation, transparent reporting, representative datasets, uncertainty estimation, and integration with clinician-supervised care pathways. تستعين طبّ النوم بصورة متزايدة بالذكاء الاصطناعي لمعالجة إشارات تخطيط النوم المتعدد، وأتمتة تصنيف مراحل النوم، والكشف عن انقطاع النفس الانسدادي، وتوسيع المراقبة خارج المختبر. غير أن ارتفاع مؤشرات الدقة في الدراسات الحاسوبية لا يكفي وحده لإثبات الصلاحية السريرية. تقدم هذه الدراسة مراجعة سردية نقدية لاستخدامات الذكاء الاصطناعي في تشخيص اضطرابات النوم وتصنيفها، وتحدد الشروط التي تسمح بتحويل الأداء الخوارزمي إلى دعم سريري آمن. اعتمدت المراجعة بحثًا موجّهًا في الأدبيات الدولية المحكمة المنشورة أساسًا بين 2017 و2025، مع الاستناد إلى المراجع المؤسسة الخاصة بمراحل النوم وأدوات التشخيص المعيارية. وتقارن الدراسة بين نماذج التعلم العميق القائمة على الإشارات الفيزيولوجية، ومصنفات التعلم الآلي المعتمدة على المتغيرات السريرية ونمط الحياة، والأجهزة القابلة للارتداء أو غير التلامسية، والتدخلات الرقمية للعلاج المعرفي السلوكي للأرق. تشير النتائج إلى أن البنى الالتفافية والمتكررة والانتباهية تستطيع الاقتراب من تصنيف الخبراء على قواعد البيانات المرجعية، وأن الذكاء الاصطناعي القابل للارتداء واعد في كشف انقطاع النفس. ومع ذلك، تظل المصادقة الخارجية غير متكافئة، وتعتمد دراسات عديدة على مجموعة بيانات عامة صغيرة واحدة، كما لا تحظى المعايرة وقابلية التفسير والإنصاف والمنفعة السريرية بالاهتمام الكافي. وعليه، ينبغي إدماج الذكاء الاصطناعي بوصفه أداة مساعدة قابلة للتدقيق وتحت إشراف المختصين، لا بديلًا مستقلًا عن التقييم السريري. La médecine du sommeil recourt de plus en plus à l’intelligence artificielle (IA) pour traiter les signaux polysomnographiques, automatiser la stadification du sommeil, repérer l’apnée obstructive et prolonger le suivi hors laboratoire. Toutefois, les performances élevées rapportées dans les études computationnelles ne suffisent pas à établir une validité clinique. Cette revue narrative critique examine les usages de l’IA dans le diagnostic et la classification des troubles du sommeil et précise les conditions nécessaires à leur traduction en outils cliniques sûrs. Une recherche ciblée de travaux internationaux évalués par les pairs, publiés principalement entre 2017 et 2025, a été complétée par des références fondatrices relatives à la stadification et aux instruments diagnostiques. L’analyse compare les modèles profonds fondés sur les signaux, les classifieurs exploitant des variables cliniques et comportementales, les dispositifs portables ou sans contact et les interventions cognitivo-comportementales numériques pour l’insomnie. Les architectures convolutionnelles, récurrentes et attentionnelles peuvent approcher la cotation experte sur des bases de référence, tandis que l’IA portable présente des résultats prometteurs pour la détection de l’apnée. Néanmoins, la validation externe demeure inégale, plusieurs études réutilisent un même petit jeu de données public et les enjeux de calibration, d’interprétabilité, d’équité et d’utilité clinique restent insuffisamment traités. L’IA doit donc être conçue comme une couche d’aide à la décision, traçable et supervisée, plutôt que comme un substitut autonome à l’évaluation clinique. </description>
      <pubDate>Sat, 14 Nov 2026 11:35:32 +0100</pubDate>
      <lastBuildDate>Sat, 14 Nov 2026 11:47:57 +0100</lastBuildDate>
      <guid isPermaLink="true">https://aleph.edinum.org:443/18359</guid>
    </item>
  </channel>
</rss>