Science / Résumé / Acoustique du ronflement

Avec quelle précision un enregistrement sur téléphone à domicile peut-il compter le ronflement ?

Étude unique · validation d'algorithme ■■□□ niveau de preuve faible : un seul centre, 55 personnes dans le jeu de test et un seul modèle de téléphone

Qui

214 personnes dans un hôpital universitaire de Corée entre janvier 2019 et février 2023. 105 ont été enregistrées à l'hôpital (téléphone : LG G3) et 109 à domicile (téléphone : iPhone 11) ; dans les deux cas, le téléphone était placé à 1 mètre de la personne. Les 55 personnes du groupe de test avaient un âge moyen de 46 ans et un IAH moyen de 13,2 par heure ; 35 d'entre elles avaient un IAH inférieur à 15.

Ce qu'ils ont fait

Pour chaque personne, on a pris 200 minutes d'audio classées comme sommeil par l'examen du sommeil (400 tranches de 30 secondes) ; les tranches d'éveil ont été écartées. Deux auditeurs formés ont chacun écouté chaque tranche séparément, et une tranche n'était comptée comme « ronflement » que si les deux entendaient un ronflement. Le modèle a été entraîné sur les enregistrements hospitaliers et sur les enregistrements à domicile de 54 personnes, puis testé uniquement sur les enregistrements à domicile des 55 autres ; aucune personne n'apparaissait à la fois dans l'entraînement et dans le test.

Ce qu'ils ont trouvé

Par tranche, la sensibilité était de 89,8 % et la spécificité de 91,3 %. La part de la nuit passée à ronfler, observée et prédite, était fortement corrélée (r = 0,97 ; IC à 95 % 0,95 à 0,99), avec une erreur absolue moyenne de 5,09 points de pourcentage. La part moyenne de ronflement observée était de 24,5 % et la part prédite de 28,6 %. Dans les deux groupes ronflant plus de la moitié du temps (5 personnes chacun), la spécificité tombait à 0,72 à 0,78. Chez les personnes ayant un IAH de 15 ou plus, la corrélation était de r = 0,94.

Limites

Selon les auteurs : il n'existe pas de définition universellement admise du ronflement et le résultat repose sur des annotations humaines ; les groupes de gros ronfleurs sont petits ; les participants étaient surtout d'âge moyen et en surpoids ; le dispositif propre au téléphone peut limiter la transposition des résultats à d'autres appareils et à d'autres domiciles. En outre : comme les tranches d'éveil ont été exclues, la façon dont le modèle traite les sons produits pendant l'éveil n'a pas été testée ; la spécificité d'un groupe apparaît comme 0,942 dans le tableau et 0,952 dans le texte. Financement : une bourse de recherche hospitalière. Aucun lien d'intérêts déclaré ; quatre auteurs sont rattachés à l'Asleep Research Institute.

Référence

Hong J, Yang SK, Kim S, et al. Real-Time Snoring Detection Using Deep Learning: A Home-Based Smartphone Approach for Sleep Monitoring. Nature and Science of Sleep. 2025;17:519-530. doi:10.2147/NSS.S514631 · Accès libre (CC BY-NC 4.0).

Rédaction

Équipe éditoriale de Nefesly, à partir du texte intégral de l'article. 11 octobre 2026.

Vérification des chiffres

Chaque chiffre de ce résumé a été vérifié un par un avec le texte intégral de l'article et son tableau 2 ; aucune correction n'a été nécessaire. 15 octobre 2026.

Droits d'auteur

Résumé rédigé à partir du texte intégral, et non traduit du résumé publié.