Voluntary behaviors and socio-economic factors, such as social jetlag and shift work, can lead to insufficient or disrupted sleep, resulting in drowsiness in active individuals. In occupational and driving contexts, drowsiness poses a serious safety risk by impairing alertness, slowing reaction times, and increasing the likelihood of accidents. Developing predictive, automatic and easy to implement tools for drowsiness detection is essential in high-risk environments where sustained vigilance is critical. This study aims to validate a practical and predictive method for assessing drowsiness using automated analysis of a limited number of electroencephalogram (EEG) channels. Designed as single-center, non-randomized, single-group, this study will evaluate drowsiness and cognitive performance in forty healthy volunteers exposed to two sleep deprivation conditions simulating real-world occupational scenarios. The primary outcome will be the Objective Sleepiness Scale (OSS) and its automated analysis, with a focus on its ability to measure objective wakefulness as assessed by the Maintenance of Wakefulness Test (MWT). Secondary outcomes will include multimodal resting-state EEG markers, subjective and objective sleepiness measures, performance on a simulated driving task, attention, executive function and vigilance assessments, as well as sleep quality, sleep quantity, and mind-wandering. The influence of sociodemographic and clinical variables on drowsiness measurement and prediction will also be systematically examined. By validating these novel EEG-based measures, this study aims to lay the groundwork for proactive drowsiness management strategies in occupational, transportation, and clinical settings. ### Competing Interest Statement CB, KS, JC, JL, PS, MB, PP, JAM, JT have declared that no competing interests exist. C Berthomier has ownership/directorship and is an employee of Physip, PB & JM are employees of Physip which owns Aseega and MEEGAWAKE® (sleep analysis software). ### Clinical Trial The study was registered in ClinicalTrials.gov (number [NCT05453643][1]) ### Funding Statement Yes ### Author Declarations I confirm all relevant ethical guidelines have been followed, and any necessary IRB and/or ethics committee approvals have been obtained. Yes The details of the IRB/oversight body that provided approval or exemption for the research described are given below: National Ethical Committee (consultative committee for the protection of persons participating in biomedical research), CPP sud est V, N° SI RIPH 2G : 22.00521.000045 I confirm that all necessary patient/participant consent has been obtained and the appropriate institutional forms have been archived, and that any patient/participant/sample identifiers included were not known to anyone (e.g., hospital staff, patients or participants themselves) outside the research group so cannot be used to identify individuals. Yes I understand that all clinical trials and any other prospective interventional studies must be registered with an ICMJE-approved registry, such as ClinicalTrials.gov. I confirm that any such study reported in the manuscript has been registered and the trial registration ID is provided (note: if posting a prospective study registered retrospectively, please provide a statement in the trial ID field explaining why the study was not registered in advance). Yes I have followed all appropriate research reporting guidelines, such as any relevant EQUATOR Network research reporting checklist(s) and other pertinent material, if applicable. Yes No datasets were generated or analysed during the current study. All relevant deidentified data will be made available upon study completion and results publication. [1]: /lookup/external-ref?link_type=CLINTRIALGOV&access_num=NCT05453643&atom=%2Fmedrxiv%2Fearly%2F2025%2F04%2F28%2F2025.04.26.25326496.atom

L’analyse automatique du sommeil de nuit ASEEGA a été développée et validée sur volontaires et sur patients. L’objectif est d’évaluer la robustesse de l’analyse EEG monovoie ASEEGA (AA) sur des siestes de volontaires sains jeunes ou âgés. Au total, 200 enregistrements de siestes de 10 jeunes hommes (23 ± 2 ans) et de 10 volontaires plus âgés (5 femmes, 69 ± 3 ans) ayant suivi un protocole de siestes répétées pendant 40 h ont été analysés. L’analyse visuelle a été effectuée par 2 experts de 2 centres du sommeil (VS1 et VS2) selon les règles de l’AASM. Les accords époque par époque (concordance (C) et coefficient kappa (k)) ont été calculés entre AA, VS1, VS2 et le consensus d’experts (VSc). La sensibilité (SE) et la valeur prédictive positive (PPV), associées à l’éveil, au REM et au NREM ont également été calculées entre AA et VSc. La concordance globale entre AA et VSc était de 85,5 %, k = 0,79. Chez les jeunes (respectivement chez les plus âgés), les accords étaient de C = 82,0 %, k = 0,75 (C = 77,5 %, k = 0,68) entre AA et VS1, C = 73,4 %, k = 0,64 (C = 73,7 %, k = 0,63) entre AA et VS2, C = 77,1 %, k = 0,68 (C = 80,4 %, k = 0,73) entre VS1 et VS2, et C = 88,2 %, k = 0,82 (C = 83,0 %, k = 0,75) entre AA et VSc. SE/PPV étaient pour l’éveil = 91,3/99,2, pour le REM = 87,1/69,8, pour le NREM = 93,5/90,8 chez les jeunes, Wake = 95,5/89,5, REM = 76,1/90,6, NREM = 91,5/93,1 chez les plus âgés. Les concordances entre AA, VS et VSc sont comparables à celles rapportées pour la concordance inter-expert, ce qui démontre la robustesse de AA dans l’analyse des siestes.

Abstract Recent literature is pointing towards a tight relationship between sleep quality and amyloid-beta (Aβ) accumulation, a hallmark of Alzheimer’s disease (AD). Sleep arousals are considered to induce sleep disruption, and though their heterogeneity has been suggested, their correlates remain to be established. We classified arousals in sleep of 100 healthy older individuals according to their association with muscular tone increase (E+/E-) and sleep stage transition (T+/T-), and show differences in EEG oscillatory compositions across arousal types. We found that T + E- arousals, which interrupt sleep stability, were positively correlated with Aβ burden in brain regions earliest affected by AD neuropathology. By contrast, more prevalent T-E + arousals, upholding sleep continuity, were associated with lower cortical Aβ burden, and better cognition. We provide empirical evidence that spontaneous arousals are diverse and differently associated with brain integrity and cognition. Sleep arousals may offer opportunities to transiently synchronise distant brain areas, akin to sleep spindles.

Study Objectives: To assess the performance of the single-channel automatic sleep staging (AS) software ASEEGA in adult patients diagnosed with various sleep disorders.Methods: Sleep recordings were included of 95 patients (38 women, 40.5 +/- 13.7 years) diagnosed with insomnia (n = 23), idiopathic hypersomnia (n = 24), narcolepsy (n = 24), and obstructive sleep apnea (n = 24). Visual staging (VS) was performed by two experts (VS1 and VS2) according to the American Academy of Sleep Medicine rules. AS was based on the analysis of a single electroencephalogram channel (Cz-Pz), without any information from electro-oculography nor electromyography. The epoch-by-epoch agreement (concordance and Conger's coefficient [kappa]) was compared pairwise (VS1-VS2, AS-VS1, AS-VS2) and between AS and consensual VS. Sleep parameters were also compared.Results: The pairwise agreements were: between AS and VS1, 78.6% (kappa = 0.70); AS and VS2, 75.0% (0.65); and VS1 and VS2, 79.5% (0.72). Agreement between AS and consensual VS was 85.6% (0.80), with the following distribution: insomnia 85.5% (0.80), narcolepsy 83.8% (0.78), idiopathic hypersomnia 86.1% (0.68), and obstructive sleep disorder 87.2% (0.82). A significant low-amplitude scorer effect was observed for most sleep parameters, not always driven by the same scorer. Hypnograms obtained with AS and VS exhibited very close sleep organization, except for 80% of rapid eye movement sleep onset in the group diagnosed with narcolepsy missed by AS.Conclusions: Agreement between AS and VS in sleep disorders is comparable to that reported in healthy individuals and to interexpert agreement in patients. ASEEGA could therefore be considered as a complementary sleep stage scoring tool in clinical practice, after improvement of rapid eye movement sleep onset detection.

L’analyse automatique du sommeil (AA) ASEEGA a été développée et validée sur la voie CzPz. L’objectif était d’évaluer la robustesse de l’analyse automatique (AA) sur une voie frontale dans une population adulte présentant différentes pathologies du sommeil. Les polysomnographies (PSG) de 95 patients (38 femmes, 40 ± 13 ans) ont été analysées : insomnie (n = 23), hypersomnie (n = 24), narcolepsie (n = 24), syndrome d’apnées obstructives du sommeil (SAOS) (n = 24). L’interprétation visuelle des PSG a été réalisée par 2 experts indépendants (AV1 et AV2, AASM). AA a analysé les voies EEG CzPz puis Fp2 sans information sur l’EOG ni l’EMG. L’impact du changement de voie sur l’accord époque par époque (concordance et coefficient kappa) entre les AV et AA a été calculé. L’accord entre AA et le consensus des AV passe de 86 % (k = 0,80) à 82 % (0,74) avec comme répartition : insomnie de 86 % (0,80) à 83 % (0,76), hypersomnie de 86 % (0,80) à 82 % (0,72), narcolepsie de 84 % (0,78) à 79 % (0,70) et SAS de 87 (0,82) à 84 % (0,77). La concordance entre AA et AV baisse quand AA est utilisée en frontale, mais elle reste supérieure à 80 % sur l’ensemble du corpus. La concordance diminue différemment en fonction des pathologies. Elle est la plus basse dans la narcolepsie et reste la plus élevée pour le SAOS. Cette étude démontre la robustesse globale de l’analyse automatique en frontal et délimite son périmètre d’utilisation. Des usages innovants tels que l’ajout d’une voie EEG en polygraphie ventilatoire (« polygraphie améliorée ») pour améliorer l’IAH sont possible.

L’index d’apnées-hypopnées (IAH) déterminé par la polygraphie ventilatoire (PV) dans le SAS est sous-estimé car la PV surestime la durée du sommeil et ne tient pas compte des hypopnées non désaturantes mais suivies d’un micro-éveil, d’où des erreurs de détermination de sévérité du SAHOS. Une étude antérieure a montré une différence de sévérité entre PV et polysomnographie (PSG) mais pas entre la PV associée à l’analyse automatique d’une voie EEG (PV + ) et PSG. Le but a été d’étudier l’impact du montage EEG sur ce résultat. Cinquante patients suspects de SAHOS ont eu une PSG ambulatoire analysée par 2 somnologues (S1, S2) : –en PV ; –en PV+ sur les périodes de sommeil déterminées par l’analyse automatique monovoie ASEEGA (A) incluant la détection des micro-éveils ; –en PSG (critères AASM). Pour A les 2 montages utilisés successivement étaient CzPz puis une voie frontale, Fp2 ou F4 selon les enregistrements. Les comparaisons portent sur l’accord, concordance et kappa (k) du scorage Veille/Sommeil et les IAH. L’accord était de 94 % (k = 0,81) entre S1 et S2, 95 % (0,78) entre A et le consensus (S1, S2) sur CzPz et 93 % (0,72) en frontal. Les IAH mesurés en PV 21 ± 18, en PV+ 28 ± 22 (CzPz) et 28 ± 21 (frontal), et en PSG 28 ± 22/h. Les IAH sont similaires en PV+ centrale, en PV+ frontale et en PSG. L’analyse automatique ASEEGA basée sur une unique voie d’EEG, peut être utilisée en frontale pour une application de polygraphie améliorée pour déterminer plus précisément l’IAH.

Sleep studies face new challenges in terms of data, objectives and metrics. This requires reappraising the adequacy of existing analysis methods, including scoring methods. Visual and automatic sleep scoring of healthy individuals were compared in terms of reliability (i.e., accuracy and stability) to find a scoring method capable of giving access to the actual data variability without adding exogenous variability. A first dataset (DS1, four recordings) scored by six experts plus an autoscoring algorithm was used to characterize inter-scoring variability. A second dataset (DS2, 88 recordings) scored a few weeks later was used to explore intra-expert variability. Percentage agreements and Conger's kappa were derived from epoch-by-epoch comparisons on pairwise and consensus scorings. On DS1 the number of epochs of agreement decreased when the number of experts increased, ranging from 86% (pairwise) to 69% (all experts). Adding autoscoring to visual scorings changed the kappa value from 0.81 to 0.79. Agreement between expert consensus and autoscoring was 93%. On DS2 the hypothesis of intra-expert variability was supported by a systematic decrease in kappa scores between autoscoring used as reference and each single expert between datasets (.75-.70). Although visual scoring induces inter- and intra-expert variability, autoscoring methods can cope with intra-scorer variability, making them a sensible option to reduce exogenous variability and give access to the endogenous variability in the data.

Study Objectives New challenges in sleep science require to describe fine grain phenomena or to deal with large datasets. Beside the human resource challenge of scoring huge datasets, the inter- and intra-expert variability may also reduce the sensitivity of such studies. Searching for a way to disentangle the variability induced by the scoring method from the actual variability in the data, visual and automatic sleep scorings of healthy individuals were examined. Methods A first dataset (DS1, 4 recordings) scored by 6 experts plus an autoscoring algorithm was used to characterize inter-scoring variability. A second dataset (DS2, 88 recordings) scored a few weeks later was used to investigate intra-expert variability. Percentage agreements and Conger’s kappa were derived from epoch-by-epoch comparisons on pairwise, consensus and majority scorings. Results On DS1 the number of epochs of agreement decreased when the number of expert increased, in both majority and consensus scoring, where agreement ranged from 86% (pairwise) to 69% (all experts). Adding autoscoring to visual scorings changed the kappa value from 0.81 to 0.79. Agreement between expert consensus and autoscoring was 93%. On DS2 intra-expert variability was evidenced by the kappa systematic decrease between autoscoring and each single expert between datasets (0.75 to 0.70). Conclusions Visual scoring induces inter- and intra-expert variability, which is difficult to address especially in big data studies. When proven to be reliable and if perfectly reproducible, autoscoring methods can cope with intra-scorer variability making them a sensible option when dealing with large datasets. Statement of Significance We confirmed and extended previous findings highlighting the intra- and inter-expert variability in visual sleep scoring. On large datasets those variability issues cannot be completely addressed by neither practical nor statistical solutions such as group training, majority or consensus scoring. When an automated scoring method can be proven to be as reasonably imperfect as visual scoring but perfectly reproducible, it can serve as a reliable scoring reference for sleep studies. * EEG : – Electroencephalogram EOG : – Electro-oculogram EMG : – Electromyogram PSG : – Polysomnography BAS : – Baseline night EXT : – Extended sleep opportunity BEF : – Night before sleep deprivation REC : – Recovery night after sleep deprivation V : – visual scorer A : – automated analysis Aseega DS1 : – Dataset 1 DS2 : – Dataset 2

Améliorer et faciliter l’utilisation de l’Objective Sleepiness Scale (OSS) de 5 états de vigilance développée par A. Muzet, en modifiant les instructions de l’analyse visuelle de l’EEG/EOG. Un enregistrement EEG/EOG a été réalisé lors d’une conduite simulée de 2 heures chez 19 sujets. Une biocalibration est effectuée afin de visualiser le niveau cortical basal (CBS). Les enregistrements ont été codifiés par A. Muzet (VA1) et par une analyse automatique (AA). Trois enregistrements ont été évalués par un autre expert (VA2) : (1) en appliquant les règles de cotation littérales, puis (2) en adaptant les critères en prenant en compte les caractéristiques individuelles observées lors du CBS. Enfin VA2 a analysé les 16 autres enregistrements avec les critères adaptés individuellement. L’accord époque par époque (concordance et kappa) a été calculé. La concordance entre AV1 et AV2 est passée de 15 % (K = − 0,04) lors de l’application de règles littérales à 83 % (K = 0,60) lors de l’application de règles adaptées. Les accords sur les 16 enregistrements étaient VA1 vs VA2 = 73 % (K = 0,35) et AA vs consensus (VA1,VA2) = 79 % (k = 0,30) La prise en compte du CBS est indispensable pour la codification visuelle de la somnolence à l’aide de l’OSS : les rythmes alpha et thêta utilisés pour déterminer les états de somnolence doivent être analysés en fonction de leurs caractéristiques individuelles qui apparaissent lors du CBS. L’analyse automatique, dont les résultats sont prometteurs, devra s’adapter à l’éventuelle évolution des règles.

La variabilité et le coût de l'analyse visuelle (AV) du sommeil justifient la recherche d'alternatives. L'objectif de l'étude était d'évaluer l'analyse automatique (AA) Aseega dans une population adulte présentant différentes pathologies du sommeil. Les polysomnographies (PSG) de 95 patients (38 femmes, 40 ± 13 ans) ont été analysées : insomnie (n = 23), hypersomnie (n = 24), narcolepsie (n = 24), syndrome d'apnées obstructives (n = 24). L'interprétation visuelle des PSG a été réalisée par 2 experts indépendants (AV1 et AV2) selon les règles de l'AASM. L'AA score uniquement la voie EEG CzPz sans information sur l'EOG ni l'EMG. L'accord époque par époque (concordance et coefficient kappa) entre les AV et AA a été calculé. Les accords étaient AA-AV1 = 78,6 % (kappa = ,70), AA-AV2 = 75 % (,65), AV1-AV2 = 79,5 % (,72). L'accord entre AA et le consensus des AV était 85,6 % (,69) avec comme répartition : hypersomnie 87,0 % (,68), insomnie 86,1 % (,68), narcolepsie 84,6 (,67) et SAS 87,7 (,67). Sur les 20,5 % de désaccord entre AV, AA était en accord avec une AV dans 85,5 % des cas. La comparaison qualitative des hypnogrammes indiquait une organisation globale du sommeil très proche entre les analyses mais une sous-détection par l'AA des endormissements en sommeil paradoxal dans le groupe narcolepsie. La concordance entre AA et AV est comparable à celle rapportée entre AA et AV chez des sujets contrôles et entre AV et AV chez des patients. L'utilisation clinique de cet outil est envisageable si la détection des endormissements en sommeil paradoxal est affinée et le scorage des évènements implémenté.

L’index d’apnées-hypopnées (IAH) déterminé par la polygraphie ventilatoire (PV) dans le SAS a une validité limitée par la durée inconnue du sommeil et la non prise en compte des hypopnées non désaturantes mais suivies d’un micro-éveil. Il en résulte des erreurs dans la détermination de la sévérité du SAHOS. Une étude antérieure sur matériel Cidelec a montré une différence de sévérité entre PV et PSG (p < 0,0001) mais pas entre la PV associée à l’analyse automatique d’une voie EEG (PV +) et PSG. Le but a été d’étendre cette étude sur matériel Nox. Vingt-cinq patients suspects de SAHOS ont eu une PSG ambulatoire avec un NOX-A1. L’analyse préliminaire de 12 patients a été réalisée en aveugle par 2 somnologues (S1, S2) en PV puis en PV + sur les périodes de sommeil déterminées par l’algorithme d’analyse automatique ASEEGA (A) sur CzPz incluant la détection des microéveils, et enfin en polysomnographie (PSG) suivant les critères de l’AASM. Les comparaisons portent sur l’accord (concordance, kappa) du scorage veille/sommeil et les IAH. L’accord préliminaire pour le scorage veille/sommeil était de 94 % (K = ,80) entre S1 et S2 et 94 % (K = ,75) entre A et le consensus de S1 et S2. Le temps total de sommeil a été : S1 = 397 ± 71 min, S2 = 410 ± 76, A = 395 ± 61 (p NS). Les IAH mesurés en PV 17 ± 5, en PV + 29 ± 8 et en PSG 25 ± 7 étaient significativement différents (p < 0,05). Par l’analyse automatisée, la PV + permet d’obtenir un IAH supérieur à la PV et plus proche de la PSG.

Visual scoring (VS) of sleep recordings is time consuming, experience-dependent, and requires a long learning time, justifying the development of reliable alternatives. The single-channel automatic sleep scoring (AS) software ASEEGA has been previously validated in healthy individuals. The aim of our study was to evaluate this software in adult patients suffering from various sleep disorders. Sleep recordings of 95 patients (38 women, 40.4 ± 13 years) were included: insomnia (N = 23), hypersomnia (N = 24), narcolepsy (N = 24), and obstructive apnea syndrome (N = 24). VS of the polysomnograms was performed by an expert according to the rules of the AASM. AS was based on the analysis of a single EEG channel (CzPz), without any information from neither EOG nor EMG. The epoch-by-epoch agreement (concordance and Cohen kappa coefficient) was calculated, and sleep parameters were compared between VS and AS (Friedman test with Dunn’s multiple comparison correction). The overall agreement between AS and VS was 78.6% (kappa = .70), with the following distribution: hypersomnia 79.8% (.71), insomnia 78.8% (.71), narcolepsy 76.9 (.69) and SAS 78.4 (.70). No significant difference between VS and AS was found for most sleep parameters (sleep latency, total sleep time, sleep efficiency, wake after sleep onset, time spent in N-REM and REM sleep). Hypnograms obtained with AS and VS exhibited very close sleep organizations, except that AS missed several SOREM in the narcoleptic group. The agreement between AS and VS in a population of patients is comparable to that reported in healthy subjects as well as to the inter-expert agreement in patients. The clinical use of this scoring tool could therefore be useful for sleep scoring in patients, after improvement of SOREM detection and implementation of events scoring. None.

Il a été montré que l’analyse visuelle (AV) de données polysomnographiques (PSG) est affectée par une variabilité inter-expert (différences entre les scorages d’un même tracé réalisés par 2 ou plusieurs experts) et intra-expert (différences entre les scorages d’un même expert). L’objectif était de quantifier, chez le sujet sain, la variabilité inter- et intra-expert au sein d’un groupe de 6 experts appartenant au même centre ayant travaillé à homogénéiser leurs scorages, en utilisant l’analyse automatique (AA) Aseega en référence. Quatre tracés (data set 1, DS1) ont été scorés (AASM) par chacun des 6 experts et l’AA, soit 28 scorages. Quatre-vingt-huit autres tracés (DS2) ont scorés quelques semaines après par les mêmes experts et par l’AA, soit 176 scorages. L’accord époque par époque (concordance et coefficient kappa de Conger, K) a été calculé entre les AV et l’AA. La concordance inter-expert sur DS1 est fonction du nombre d’experts comparés et passe de 86 % en moyenne entre 2 experts à 69 % pour 6 experts. K diminue de 0,81 à 0,79 en ajoutant AA au groupe d’AV. Entre DS1 et DS2, toutes les concordances entre AA et chaque AV diminuent (3,7 % en moyenne). Les désaccords entre experts ne se concentrent pas sur une faible proportion d’époques, même dans un groupe d’experts très homogène. La variabilité intra-expert s’observe par la dégradation de la concordance entre AV et AA entre DS1 et DS2 et peut s’interpréter comme une dérive du scorage visuel. L’AA, quand elle est reproductible et fiable, systématise l’analyse de données PSG.

The Apnea-Hypopnea Index (AHI) determined by the ventilatory polygraphy (PG) has a limited validity due to the unknown duration of sleep and the non-consideration of the non-desaturating hypopneas followed by an arousal. This results in errors in determining the severity of OSAS in many patients. The aim was to compare the polysomnography (PSG) vs. a PG with the automatic analysis of an EEG channel (PG+). 25 patients (47 years, 12M, 33kg/m2) suspected of OSAS had an ambulatory PSG with a CID-LXe (Cidelec) equipped with an additional EEG (Cz-Pz) channel. The analysis was carried out blindly by 2 somnologists (S1, S2) in PG and then in PG+ on the periods of sleep determined by the automatic analysis algorithm of sleep/wake (S/W) and arousal detection ASEEGA (A) on CzPz and finally in polysomnography (PSG) as the reference, according to the AASM criteria. The epoch-by-epoch agreement of S/W scoring (concordance and Cohen kappa coefficient K) were calculated between PG+ and PSG. The classes of severity of AHI (<5,5-14.9,15-29.9,>30) by PG and PG+ were compared using the Friedman test. Sensitivity and specificity of PG and PG+ were computed for AHI thresholds of 15/hr and 30/hr in PSG. The agreement computed by epochs for S/W scoring was 95% (K = 0.83) between S1 and S2 and 96% (K = 0.80) between A and the consensus of S1 and S2. AHI measured in PG: 24.2 ± 21.5, PG+: 29.4 ± 23.7 and PSG: 31.0 ± 24.6 were significantly different (p<0.0001). Classes of severity differed between PG and PSG (p<0.0001) but not between PG+ and PSG. Compared to PG, 4 (16%) patients had a higher severity in PG+ and PSG. Sensitivity of PG and PG+ was 87.9% and 94% respectively at a 15/H threshold and 68% and 96% respectively at a 30/h threshold. Specificity was 100% in all conditions. By automated S/W and arousal analysis, PG+ better determine the severity of SAS than PG. CIDELEC, PHYSIP, RESMED.

We previously showed that AHI scored in respiratory polygraphy (AHI PG:24.2±21.5), in PG associated with the automatic analysis of an EEG channel (AHI PG+:29.4±23.7) and in PSG (AHI PSG 31.0±24.6) were significantly different (p<0.0001) leading to underestimation of disease severity by PG. To explore the difference between AHI PG and AHI PSG, we studied 25 patients (47yrs,12M,33kg/m2) suspected of OSAS by ambulatory PSG (CID-LXe by Cidelec) with an additional EEG (CzPz). 2 blinded somnologists(S1, S2) scored: first respiratory events in PG on total recorded time (TRT) and then in PG+ with periods of sleep and arousals determined on CzPz by the validated algorithm ASEEGA(A) and finally in PSG (AASM criteria). Epoch-by-epoch Wake/Sleep concordance between A and the consensus of S1&S2 was 96% (Kappa=.8). 4/25 patients (49 to 80yrs and BMI 25 to 46kg/m2) showed significant amount of apneas and hypopneas during wake. Their sleep efficiencies were 82 to 89% and AHI PSG ranged from 45 to 83/hr. Consensual (S1, S2, A) waking time during TRT ranged from 55 to 162 min. The wake AHI (number of events in wakefulness/total waking time) ranged from 20 to 53/hr. Waking events were obstructive hypopneas in 1 patient diagnosed with pure obstructive sleep apnea, central in 1 patient with mixed SA (39% central events in PSG) and in 2 with predominantly central apneas (68 and 92% central in PSG). 1 patient with Cheyne-Stokes had heart failure. Waking events ocurred in 4/25 patients and were either obstructive hypopneas in pure OSAS or central apneas in mixed or central SAS. This result, if confirmed on larger cohorts, could further explain the difference between AHI PG and AHI PSG.

L’index d’apnées-hypopnées (IAH) déterminé par la polygraphie ventilatoire (PV) dans le SAS a une validité limitée par la durée inconnue du sommeil et la non prise en compte des hypopnées non désaturantes mais suivies d’un micro-éveil. Il en résulte des erreurs dans la détermination de la sévérité du SAHOS. Le but a été de comparer la polysomnographie (PSG) avec une PV associée à l’analyse automatique d’une voie EEG (PV + ). Vingt-cinq patients (47 ans, 12H, 33 kg/m2) suspects de SAHOS ont eu une PSG ambulatoire avec un CID-LXe (Cidelec) équipé d’une voie EEG supplémentaire (Cz-Pz). L’analyse a été réalisée en aveugle par 2 somnologues (S1,S2) en PV puis en PV+ sur les périodes de sommeil déterminées par l’algorithme d’analyse automatique de détection veille et sommeil ASEEGA (A) sur CzPz et enfin en polysomnographie (PSG) suivant les critères de l’AASM. Les comparaisons portent sur le scorage veille/sommeil : tests de Kappa (K) et les IAH : ANOVA. L’accord pour le scorage V/S était de 94 % (coefficient kappa K = 0,81) entre S1 et S2 et 96 % (K = 0,79) entre A et le consensus de S1 et S2. Le temps total de sommeil a été : S1 = 393 ± 79 min, S2 = 398 ± 76, A = 391 ± 79 (p NS). Les IAH mesurés en PV 24 ± 4, en PV+ 27 ± 5 et PSG 31 ± 5 étaient significativement différents (p < 0,001). Par rapport à PV, 4 (16 %) patients ont une classe de sévérité de SAS supérieure en PV+ et 8 (32 %) supérieure en PSG. Par l’analyse automatisée V/S, la PV+ permet de mieux déterminer la sévérité des SAS que la PV, mais la prise en compte des micro-éveils respiratoires reste nécessaire pour égaler la PSG.