ALD

Le Covid long peut-il être considéré comme une affection longue durée (ALD) ?

Il n’existe pas d’affection longue durée (ALD) spécifique pour les symptômes persistants du Covid-19. Pour autant, dans certaines situations, vous pouvez bénéficier de la reconnaissance en ALD. La demande est réalisée par le médecin traitant et étudiée par le médecin conseil de l’Assurance Maladie. Dans ce cas, les examens et les soins en rapport avec la maladie sont pris en charge à 100 % selon les tarifs de l’Assurance Maladie.

Plusieurs possibilités existent :

Si vous êtes déjà en ALD pour une maladie et celle-ci s’aggrave du fait du Covid-19. La prise en charge de cette aggravation sera prise en charge en ALD.

Si vous souffrez de séquelles inscrites dans la liste des ALD, vous pouvez obtenir l’ALD concernée. Par exemple, si vous souffrez d’une insuffisance respiratoire suite au Covid-19.

Enfin, il est possible de faire une demande au titre de l’ALD hors liste en cas de forme sévère de symptômes prolongés du Covid-19, qui ne rentrerait pas dans les 2 premiers cas. Pour cela, il faut remplir les critères de l’ALD hors liste :

  • durée d’évolution prévisible supérieure à 6 mois ;
  • la prise en charge doit comprendre obligatoirement un traitement médicamenteux ou un appareillage.
  • 2 critères parmi les 4 suivants sont également obligatoires :
    • hospitalisation à venir ;
    • actes techniques médicaux répétés ;
    • actes biologiques répétés ;
    • soins paramédicaux fréquents et réguliers.

La prise en compte de l’ALD peut être rétroactive car elle s’applique à la date du début des symptômes. L’ALD est accordée pour une durée limitée, définie par le médecin conseil de l’Assurance Maladie.

Invalidité en cas de Covid long

écouter (3min)

C’est mon affairePhilippe DuportLe dimanche à 7h24, 9h24, 11h21 et 13h51

Invalidité et inaptitude au travail : que se passe-t-il quand une maladie empêche tout travail ?Article rédigé par

Philippe Duport

Radio France

Publié le 19/03/2023 09:24Mis à jour le 19/03/2023 09:26

 Temps de lecture : 2 min.

Si le Covid a une origine professionnelle, il y a trois niveaux d'invalidité. (Illustration) (CATHERINE MCQUEEN / MOMENT RF / GETTY IMAGES)
Si le Covid a une origine professionnelle, il y a trois niveaux d’invalidité. (Illustration) (CATHERINE MCQUEEN / MOMENT RF / GETTY IMAGES)

La première journée de sensibilisation au Covid long s’est tenue mercredi 15 mars, trois ans exactement après le début du premier confinement de la pandémie de Covid-19. Que se passe-t-il quand une maladie empêche de travailler ?

franceinfo : Quels sont les différents régimes d’invalidité et que veut dire être déclaré inapte au travail ?

Philippe Duport : Premier cas à examiner : si le Covid a une origine professionnelle. On touche dans ce cas-là une indemnité journalière, puis, en cas de séquelles, une rente maladie professionnelle. Une rente qui être cumulable avec une activité professionnelle, et avec la retraite. Ce cas est généralement réservé aux soignants, mais pourrait également bénéficier à des non-soignants, si le médecin-conseil de la caisse primaire d’assurance-maladie admet un lien direct et certain avec une activité professionnelle.

Et si la maladie n’a pas une origine professionnelle ?

Dans ce cas, on va percevoir des indemnités journalières en maladie, mais dans la limite de trois ans. Au-delà, la CPAM peut décider de vous faire passer en invalidité. Il faut pour cela ne pas être à la retraite, et que vous perdiez les deux-tiers de votre capacité à travailler. On détermine en fait, m’explique l’avocat Michel Ledoux, spécialiste des questions de santé au travail, votre incapacité générale à gagner suffisamment d’argent.

Il y a trois niveaux d’invalidité ?

Le premier niveau concerne les travailleurs capables d’exercer une activité professionnelle réduite. Au deuxième niveau, le malade est incapable d’exercer une profession quelconque. Et au troisième niveau, il a besoin en outre d’être aidé par une tierce personne.

Pour déterminer la pension qui sera versée, on va se baser sur le salaire annuel moyen au cours des dix meilleures années. On va attribuer 30% de ce salaire au niveau 1,50% au niveau 2, et 90% au niveau 3. Attention, l’invalidité a toujours un caractère temporaire, elle peut être révisée à tout moment.

Quand on est malade, on peut aussi être déclaré inapte à l’emploi ?

Oui, le médecin du travail peut considérer que le salarié ne peut pas rester à son poste. Dans ce cas, l’employeur a l’obligation de rechercher un reclassement pour le salarié, dans l’entreprise ou dans le groupe.

Si l’employeur ne trouve pas de poste, si le salarié refuse le reclassement ou si le médecin estime qu’il ne peut y avoir de reclassement, alors il y a rupture du contrat de travail. Le salarié déclaré inapte se retrouve au chômage. Avec, à terme, un risque de désinsertion sociale très élevé, bien sûr.

détection de la fatigue au volant

Ajouter des langues

Extrait de Wikipédia, l’encyclopédie libre

Les logiciels de détection de la fatigue visent à réduire le nombre d’accidents mortels et d’incidents liés à la fatigue. Plusieurs entreprises travaillent sur une technologie destinée à être utilisée dans des secteurs tels que l’exploitation minière, le transport routier et ferroviaire et l’aviation. La technologie pourrait bientôt trouver des applications plus larges dans des secteurs tels que les soins de santé et l’éducation[citation nécessaire].

Fatigue dans l’environnement opérationnel[modifier]

Dans un scénario d’environnement opérationnel où les systèmes d’exploitation dépendent de la performance humaine, la fatigue peut être définie comme une tendance à dégrader la performance. La fatigue est donc un indicateur du risque de base d’erreurs et d’accidents.

Dans le monde entier, les exploitations minières sont exposées au risque de fatigue des travailleurs. La somnolence et la fatigue augmentent les erreurs humaines et contribuent à des accidents qui peuvent être mortels. Les facteurs qui aggravent les niveaux de fatigue chez les travailleurs miniers sont les suivants : les perturbations des rythmes circadiens dues au travail posté, l’exposition au bruit, aux vibrations et aux produits chimiques, la nature monotone et répétitive des tâches et la conduite en équipe de nuit. Les études reconnaissent une connotation entre le mode de vie et la fatigue. Dans les pays en développement, les mineurs dépendent de systèmes de transport public peu fiables qui ajoutent des heures de trajet à leur journée de travail. Ces travailleurs sont plus susceptibles de souffrir d’un sommeil de mauvaise qualité et en quantité insuffisante.

La fatigue est une forme d’affaiblissement des facultés. En 2011, le coroner australien Annette Hennessy a comparé la fatigue à la conduite en état d’ivresse[1]. Les travailleurs fatigués sont tout simplement moins alertes et plus susceptibles de faire preuve d’un mauvais jugement. C’est d’autant plus risqué qu’un opérateur fatigué est souvent le plus mal placé pour juger de son état de fatigue. David Edwards, PhD, Global Mining Safety Solutions Manager chez Caterpillar Inc. compare cela à demander à une personne ivre si elle pense qu’elle est trop intoxiquée pour conduire[2].

Les véhicules et la conduite sont reconnus comme un risque critique dans les environnements miniers. Les interactions entre véhicules et entre véhicules et humains sont généralement mortelles. Le coût monétaire réel des accidents va au-delà des indemnisations et des remboursements d’assurance, des frais médicaux et des coûts d’enquête. Les accidents mortels entraînent souvent une suspension temporaire des opérations et une perte de production. Les exploitations minières de classe mondiale aspirent à un environnement sans accident mortel et publient leurs performances annuelles en matière de sécurité dans leur rapport annuel. Le monde entier attend des mines qu’elles réduisent le nombre de blessures, qu’elles éliminent les accidents mortels et qu’elles préviennent les incidents catastrophiques.

La plupart des mines et des flottes de camions commerciaux s’appuient sur des contrôles non contraignants tels que des procédures et d’autres contre-mesures pour gérer la fatigue. Parmi les contre-mesures courantes susceptibles d’atténuer la fatigue et d’améliorer les niveaux de vigilance des conducteurs de poids lourds, on peut citer : les jours de repos, la gestion du sommeil, des horaires de travail en équipe bien conçus et des pauses structurées pendant l’équipe, le dépistage et le conseil en matière de santé, les programmes d’éducation, la consommation d’aliments et de liquides et les dispositifs de mesure de la vigilance du conducteur.

Conséquences de la fatigue[modifier]

Les conséquences de la fatigue sont particulièrement évidentes dans les statistiques de la sécurité routière. Toutefois, les conducteurs de véhicules légers et commerciaux ne sont pas les seuls à courir des risques. Dans tous les secteurs d’activité, les travailleurs postés sont vulnérables aux incidents liés à la fatigue, en particulier pendant le travail de nuit. Les statistiques de sécurité ne sont pas toujours disponibles et enregistrent rarement les facteurs de causalité de l’incident. Dans cette section, les statistiques de la sécurité routière sont utilisées pour illustrer le contexte du problème de la fatigue.

La fatigue au volant désigne généralement l’état dans lequel se trouve un conducteur dont les fonctions physiologiques et mentales sont déficientes et dont les aptitudes à la conduite diminuent objectivement, généralement après une période de conduite prolongée. Un conducteur endormi au volant n’agira pas pour éviter une collision ou un accident et, pour cette raison, l’accident est beaucoup plus susceptible de causer des blessures graves ou la mort[3]. Les accidents de la route liés à la fatigue sont trois fois plus susceptibles d’entraîner des blessures graves ou la mort. Une grande partie de ces accidents se produisent entre 14h00 et 16h00 et entre 02h00 et 06h00. Au cours de ces deux périodes, les conducteurs sont plus susceptibles de somnoler, ce qui augmente le risque d’accident[4].

Les statistiques montrent que l’une des principales causes d’accidents de la circulation mortels ou entraînant des blessures est une baisse du niveau de vigilance. Dans le secteur du transport routier, 57 % des accidents mortels sont dus à la fatigue du conducteur. C’est la première cause d’accidents de poids lourds[4].

Selon le sondage Sleep in America réalisé en 2005 par la National Sleep Foundation, 60 % des conducteurs adultes – soit environ 168 millions de personnes – déclarent avoir conduit un véhicule alors qu’ils se sentaient somnolents au cours de l’année écoulée et 13 % d’entre eux admettent l’avoir fait au moins une fois par mois[4].

La National Highway Traffic Safety Administration (NHTSA) estime de manière prudente que 100 000 accidents signalés par la police sont la conséquence directe de la fatigue du conducteur chaque année. On estime à 1 550 le nombre de morts, à 71 000 le nombre de blessés et à 12,5 milliards de dollars les pertes financières[4].

En Australie, 60 à 65 % des accidents de transport routier sont directement liés à la fatigue de l’opérateur et 30 % de tous les accidents sont liés à la fatigue[5].

Défis techniques et de conception[modifier]

L’interaction complexe des principaux facteurs physiologiques responsables de la somnolence – les rythmes circadiens et la pulsion homéostatique du sommeil – pose de formidables défis techniques à la conception et au développement des systèmes de détection de la fatigue. La technologie doit être robuste et capable d’une grande précision dans divers environnements opérationnels où les conditions changent constamment et où les besoins des clients varient[6].

Pour répondre aux exigences d’efficacité et de fonctionnalité, la technologie doit respecter les lignes directrices suivantes[7].

  • Il doit mesurer ce qu’il est censé mesurer d’un point de vue opérationnel et conceptuel, et ces mesures doivent être cohérentes dans le temps. Ainsi, un dispositif conçu pour mesurer les clignements d’yeux (d’un point de vue opérationnel) et la vigilance (d’un point de vue conceptuel) devrait mesurer ces deux éléments en permanence pour tous les conducteurs.
  • La technologie logicielle utilisée dans l’appareil doit être optimisée en termes de sensibilité et de spécificité. Les faux négatifs doivent être réduits au minimum grâce à une détection précise et fiable des niveaux de vigilance réduits. Les faux positifs doivent être minimisés grâce à une identification précise et fiable de la conduite sûre et de la vigilance du conducteur.
  • L’appareil doit être robuste, fiable et capable de fonctionner en continu sur des périodes prolongées, par exemple pendant une période de travail. Les coûts d’entretien et de remplacement ne doivent pas être excessifs.
  • être capable de surveiller en temps réel le comportement du conducteur ou de l’opérateur.
  • L’appareil doit pouvoir fonctionner avec précision dans différentes conditions d’utilisation, de jour, de nuit et sous éclairage. La précision ne doit pas être compromise par les conditions régnant dans la cabine de l’opérateur, telles que l’humidité, la température, les vibrations, le bruit, etc.
  • Les signaux d’avertissement sonores ne doivent pas effrayer l’opérateur et doivent être réglables sur une plage raisonnable. Les signaux doivent être distincts et audibles dans les conditions de fonctionnement afin de ne pas être confondus avec d’autres alarmes et signaux.

Critères d’acceptation par l’utilisateur[modifier]

Indépendamment des avantages évidents qu’offrent les dispositifs de détection de la fatigue en termes de sécurité, l’acceptation de la technologie dépend du fait que l’opérateur perçoive les avantages comme supérieurs au coût. L’acceptation par l’utilisateur est influencée par les facteurs suivants :[8][7]

  • Facilité d’utilisation : le fonctionnement de la technologie doit être compréhensible et intuitif. L’opérateur doit être familiarisé avec les capacités, les limites et les paramètres opérationnels dans toutes les conditions d’utilisation. Les données de sortie du dispositif doivent être facilement et correctement interprétées par des opérateurs ayant des capacités cognitives et physiques différentes. La vision de la route et des autres commandes ne doit pas être obstruée.
  • Facilité d’apprentissage : le succès de la technologie dépend de sa compatibilité avec le modèle mental de l’opérateur, de la facilité avec laquelle il comprend, se rappelle et retient les informations et réagit en conséquence. Plus important encore, l’opérateur doit faire confiance à la précision de l’appareil pour maximiser les « succès » et éliminer les fausses alarmes ou les alarmes intempestives.
  • Valeur perçue : le conducteur doit percevoir la technologie comme contribuant à une conduite plus sûre et plus alerte, mais elle ne doit pas non plus créer un état de dépendance excessive. Le dispositif doit être utile à l’opérateur dans le cadre de son propre programme de gestion de la fatigue. Il doit être clair que l’utilisation de l’appareil est totalement sûre et n’a pas d’effets secondaires négatifs sur la santé de l’opérateur. Les données relatives à l’opérateur, saisies et transmises à une salle de contrôle centrale, doivent être totalement confidentielles.
  • Défense des intérêts : un élément essentiel de l’acceptation par les utilisateurs est mesuré par la volonté des opérateurs d’acheter et d’approuver la technologie. Compte tenu des avantages perçus du dispositif en matière de sécurité, l’adoption par le marché augmentera si elle est soutenue par les utilisateurs visés – opérateurs, gestionnaires de flotte, associations de transporteurs routiers, services de sécurité, etc.
  • Comportement du conducteur : l’interaction avec le dispositif ne devrait pas avoir d’influence négative sur l’attention que le conducteur porte au maintien d’une conduite sûre. Une exposition prolongée à la technologie devrait avoir une influence positive sur le comportement du conducteur et modifier son mode de vie en ce qui concerne la gestion de la fatigue.

Technologies de détection et de surveillance de la fatigue[modifier]

La technologie de surveillance de la fatigue a connu des avancées significatives au cours de la dernière décennie. Ces solutions technologiques innovantes sont désormais disponibles dans le commerce et offrent de réels avantages en termes de sécurité aux conducteurs, aux opérateurs et aux autres travailleurs postés dans tous les secteurs[9].

Les développeurs de logiciels, les ingénieurs et les scientifiques mettent au point des logiciels de détection de la fatigue qui utilisent divers indices physiologiques pour déterminer l’état de fatigue ou de somnolence. La mesure de l’activité cérébrale (électroencéphalogramme) est largement reconnue comme la norme en matière de surveillance de la fatigue. D’autres technologies utilisées pour déterminer les déficiences liées à la fatigue comprennent des mesures de symptômes comportementaux tels que le comportement oculaire, la direction du regard, les micro-corrections dans l’utilisation de la direction et de l’accélérateur, ainsi que la variabilité de la fréquence cardiaque[citation nécessaire].

Technologie de l’électroencéphalographie (EEG)[modifier]

Les logiciels de détection de la fatigue analysent le comportement et les signes avant-coureurs pour déterminer le début de la fatigue. Cette technologie pourrait constituer un outil extrêmement précis pour détecter les premiers stades de la fatigue chez les conducteurs et minimiser la probabilité d’incidents. La technologie permet aux conducteurs d’identifier visuellement et en temps réel leur niveau de vigilance. Les conducteurs peuvent évaluer de manière proactive différentes approches pour maintenir leur vigilance et gérer leur niveau de fatigue.

L’électroencéphalographie (EEG) est une technique qui rend compte de l’activité électrique du cerveau de manière non invasive[10]. Elle a été découverte par Hans Berger en 1924 et a évolué pendant plus de 90 ans jusqu’à la technologie avancée d’aujourd’hui. Une réduction spectaculaire de la taille, du poids et du coût des instruments EEG et la possibilité de communiquer sans fil avec d’autres systèmes numériques ont ouvert la voie à l’extension de la technologie à des domaines jusqu’alors insoupçonnés, tels que le divertissement, le bio-feedback et le soutien à l’apprentissage et à l’entraînement de la mémoire. L’expérimentation et le développement de produits autour de cette technologie comprennent des applications de détection de la fatigue.

Un nouveau logiciel de détection de la fatigue par EEG mesure la capacité d’un individu à résister au sommeil[10]. Le micro-sommeil ne se produit que lorsqu’un individu ne parvient pas à résister au sommeil, il ne se produit pas lorsqu’un individu choisit de se reposer. Les opérateurs d’équipements mobiles lourds ont l’habitude de résister au sommeil ; c’est un comportement naturel et presque inconscient. Cependant, lorsque la capacité d’un individu à résister au sommeil diminue, il y a un risque de micro-sommeil. La capacité à résister au sommeil est donc la mesure de sécurité la plus pertinente pour les opérateurs d’équipement. La mesure sous-jacente à la technologie est l’activité cérébrale. L’électroencéphalogramme est l’étalon-or de la science du sommeil et de la fatigue[10], car il s’agit d’une mesure physiologique plus directe, qui offre une meilleure précision en évitant les mesures erronées liées à l’environnement extérieur.

Outre le développement d’une technologie portable pratique, la cartographie universelle des informations EEG en une mesure utile est nécessaire pour une surveillance précise de la fatigue dans un environnement opérationnel. Bien que l’analyse EEG soit bien avancée, les scientifiques ont constaté qu’en raison des variations physiologiques naturelles d’une personne à l’autre, les règles rigoureuses d’interprétation de l’activité cérébrale ne peuvent pas être appliquées efficacement à l’ensemble de la population. Cela signifie qu’une approche basée sur des règles pour les mesures de la fatigue par EEG ne serait pas pratique, car chaque variation physiologique nécessiterait une règle spécifique applicable à une personne spécifique.

Pour résoudre ce problème, les scientifiques ont mis au point l’algorithme universel de la fatigue, basé sur une approche fondée sur les données. La somnolence est un état déterminé par des mesures indépendantes non liées à l’EEG. Le test de résistance au sommeil d’Oxford (test OSLER) et le test de vigilance psychomotrice (PVT) sont les mesures les plus couramment utilisées dans la recherche sur le sommeil[10]. Ces deux tests ont été utilisés pour établir l’échantillon de données pour le développement de l’algorithme universel de fatigue. L’algorithme a été développé à partir de l’EEG réel d’un grand nombre d’individus. Des techniques d’intelligence artificielle ont ensuite été utilisées pour cartographier la multitude de relations individuelles. L’implication est que le résultat devient progressivement universel et significatif au fur et à mesure que des données provenant d’un plus grand nombre d’individus sont incluses dans l’algorithme. En plus d’une approche expérimentale en aveugle, les tests de l’algorithme sont également soumis à des parties externes indépendantes[10].

Suivi du pourcentage d’ouverture des yeux (PERCLOS)[modifier]

PERCLOS est une mesure de détection de la somnolence, désignée comme le pourcentage de fermeture des paupières sur la pupille au fil du temps, qui reflète les fermetures lentes des paupières ou les baisses de vigilance plutôt que les clignements d’yeux[11]. Chaque développeur de technologie utilise une configuration unique et une combinaison de matériel pour améliorer la précision et la capacité à suivre le mouvement des yeux, le comportement des paupières, la position de la tête et du visage dans toutes les circonstances possibles[11].

Certains systèmes reposent sur un module de caméra sur une base rotative montée sur le tableau de bord à l’intérieur de la cabine. Le dispositif dispose d’un large champ de vision pour s’adapter aux mouvements de la tête de l’opérateur. L’équipement utilise un logiciel de suivi oculaire avec une approche d’illumination structurée qui dépend du contraste élevé entre les pupilles et le visage pour identifier et suivre les pupilles de l’opérateur.

D’autres systèmes de suivi flexibles et mobiles permettent de suivre la tête et le visage, y compris les yeux, les paupières et le regard. Ces systèmes fournissent désormais un retour d’information en temps réel sans utiliser de fil, d’aimant ou de casque.

Bien que les études aient confirmé une corrélation entre PERCLOS et l’affaiblissement des facultés, certains experts s’inquiètent de l’influence que le comportement oculaire non lié aux niveaux de fatigue peut avoir sur la précision des mesures. La poussière, un éclairage insuffisant, l’éblouissement et les changements d’humidité sont des facteurs non liés à la fatigue qui peuvent influencer le comportement oculaire de l’opérateur. Ce système peut donc être sujet à des taux plus élevés de fausses alarmes et à des cas d’altération manqués[10].

Suivi des caractéristiques faciales[modifier]

Le système de vision par ordinateur utilise une caméra discrète montée sur le tableau de bord et deux sources d’éclairage infrarouge pour détecter et suivre les traits du visage du conducteur. Le système analyse les fermetures des yeux et les positions de la tête pour déterminer l’apparition précoce de la fatigue et de la distraction. L’algorithme de détection de la fatigue calcule AVECLOS. Il s’agit du pourcentage de temps pendant lequel les yeux sont complètement fermés au cours d’un intervalle d’une minute[12].

La technologie a été développée pour les marchés domestiques et commerciaux et est actuellement testée dans un véhicule de démonstration Volvo.

Plate-forme mobile[modifier]

Récemment, le logiciel du système de détection de la fatigue a été modifié pour fonctionner sur les téléphones mobiles Android. La technologie utilise la caméra du téléphone portable qui est montée sur un support sur le tableau de bord de la cabine pour surveiller le mouvement des yeux de l’opérateur. Les développeurs du système ont préféré utiliser la technique du mouvement des paupières[13]. Le système robuste est capable de suivre les mouvements rapides de la tête et les expressions faciales. L’éclairage externe est limité, ce qui réduit les interférences avec l’opérateur. D’autres techniques potentielles présentent des inconvénients liés à l’utilisation d’un matériel spécifique. La détection des bâillements rend difficile la détection précise de la position des lèvres. La détection des hochements de tête nécessite la fixation d’électrodes sur le cuir chevelu.

En outre, des méthodes d’apprentissage profond pour la reconnaissance d’actions ont également été appliquées avec succès sur des appareils mobiles[14]. Les techniques d’apprentissage profond ne nécessitent pas d’étapes distinctes de sélection des caractéristiques pour identifier les positions des yeux, de la bouche ou de la tête et ont le potentiel d’augmenter encore la précision de la prédiction.

Il existe également des technologies basées sur des applications qui n’utilisent pas de caméras, mais qui exploitent le test de Bowles-Langley (BLT)[15] par le biais d’une expérience simple de 60 secondes qui s’apparente à un jeu. Parmi les entreprises qui ont mis sur le marché des applications de détection de la fatigue utilisant ce type de technologie, on peut citer Predictive Safety, basée à Denver, Colorado, États-Unis, et Aware360, basée à Calgary, Alberta, Canada.

Détection de la somnolence du conducteur[modifier]

Article principal : Détection de la somnolence du conducteur

Les technologies évoquées dans les sections précédentes ont ouvert le paysage de la sécurité automobile à divers constructeurs qui ont ajouté de nouveaux dispositifs de sécurité à leurs modèles de production. Les moteurs du développement de ces dispositifs peuvent être considérés soit comme des pressions réglementaires, soit comme l’amélioration de l’offre de valeur de leur produit grâce à l’ajout de dispositifs.

Les nouveaux développements dans l’industrie automobile sont les suivants :[16]

  • La poursuite du développement est assurée par NVIDIA, fournisseur de puces pour Audi, Mercedes, Tesla et d’autres. NVIDIA développe le co-pilote, un outil d’intelligence artificielle capable d’apprendre les comportements de chaque conducteur et de déterminer les comportements anormaux.
  • Pour la détection précoce de la somnolence, Plessey Semiconductors a mis au point des capteurs, à placer dans un siège, qui surveillent les variations du rythme cardiaque.
  • Bosch, un fournisseur allemand de technologies pour de nombreuses entreprises automobiles, met au point un système basé sur une caméra qui surveillera les mouvements de la tête et des yeux, ainsi que la posture du corps, le rythme cardiaque et la température corporelle.
  • Valeo, un autre fournisseur de technologie automobile, met au point un système de caméra infrarouge qui surveillera les enfants assis à l’arrière ainsi que les mouvements des épaules, du cou et de la tête du conducteur, à la recherche d’écarts par rapport à la norme.
  • Le système d’assistance à l’attention de Mercedes surveille le comportement du conducteur pendant les 20 premières minutes de conduite afin d’établir une base de référence. Ensuite, le système compare ces comportements à pas moins de 90 indices, tels que l’angle du volant, la déviation de la voie et des facteurs externes comme les rafales de vent et l’évitement des nids-de-poule.

Les applications de ces systèmes ne se limitent pas aux constructeurs automobiles, mais aussi à des entreprises technologiques tierces. Ces entreprises ont mis au point du matériel comme l’Anti-Sleep Pilot et le Vigo. Anti-Sleep Pilot est un dispositif danois qui peut être installé sur n’importe quel véhicule et qui utilise une combinaison d’accéléromètres et de tests de réaction. Le Vido est un casque Bluetooth intelligent qui détecte les signes de somnolence par le mouvement des yeux et de la tête afin d’alerter les utilisateurs.

En 2013, on estimait qu’environ 23 % des nouvelles voitures immatriculées étaient équipées, à des degrés divers, de systèmes de détection de la somnolence. L’importance de ces systèmes peut être attribuée au fait que les organismes de réglementation de la sécurité les intègrent dans leurs systèmes d’évaluation. Les systèmes réglementaires tels que le système Euro NCAP se concentrent principalement sur les évaluations de la sécurité des occupants, des piétons et des enfants à travers la publication d’une note globale de 5 étoiles. En 2009, une nouvelle catégorie a été ajoutée sous la forme des systèmes d’assistance à la sécurité Euro NCAP Advance. L’Euro NCAP Advanced examine les systèmes de surveillance de la sécurité active des nouveaux modèles de voitures et vise à fournir aux acheteurs de voitures des conseils clairs sur les avantages offerts par ces nouvelles technologies en matière de sécurité.

Voici une liste de quelques systèmes de sécurité avancés récemment mis au point par les constructeurs automobiles[16].

  • Surveillance du comportement de la direction, amélioration de la vision et freinage d’urgence autonome

Il utilise principalement les informations fournies par le système de direction assistée électrique, les systèmes radar et les caméras. Ces systèmes pourraient faciliter le freinage autonome en cas de somnolence ou de distraction, lorsque le conducteur n’agit pas assez rapidement. La conduite autonome permet également de prévenir les accidents lorsque le conducteur réagit trop lentement ou ne réagit pas du tout.

  • Position du véhicule dans la voie de circulation

Utilise une caméra de surveillance de la voie et des capteurs radar. Ces systèmes peuvent vous aider et vous avertir lorsque vous quittez involontairement la voie de circulation ou lorsque vous changez de voie sans indication, généralement en raison de la fatigue. Ces fonctions sont communément appelées surveillance des angles morts, assistance au maintien de la trajectoire ou surveillance de la sortie de voie.

  • Surveillance des yeux et du visage du conducteur

Nécessitant une caméra surveillant le visage du conducteur, appelée « attention assist », ces systèmes détectent et avertissent les conducteurs pour éviter qu’ils ne s’endorment momentanément au volant.

  • Mesures physiologiques

Il nécessite des capteurs corporels pour mesurer des paramètres tels que l’activité cérébrale, le rythme cardiaque, la conductivité de la peau et l’activité musculaire. Cette méthode n’est pas limitée aux seuls conducteurs de voiture. Des études ont également été menées pour évaluer les mesures neurophysiologiques comme méthode d’amélioration de la vigilance des pilotes d’avion.

Volkswagen[modifier]

VW a intégré un système qui aide les conducteurs à se sentir bien physiquement et mentalement lorsqu’ils sont au volant. Le système surveille de près le comportement du conducteur, en notant les écarts qui peuvent être des signes avant-coureurs de la fatigue du conducteur[17].

Volvo[modifier]

Volvo a développé le système Driver Alert Control, qui détecte les conducteurs fatigués et les avertit avant qu’ils ne s’endorment au volant. Ce système est le premier système de détection de la fatigue mis au point par un constructeur automobile et est commercialisé depuis 2007[18].

Recherche à Stanford[modifier]

En 2009, l ‘Université de Stanford a étudié les systèmes de détection automatique de la fatigue et a conclu que la technologie reposant sur le mouvement des paupières peut être efficace pour déterminer la fatigue du conducteur dans les automobiles, mais que des recherches supplémentaires doivent être menées pour améliorer la précision[19].

Voir aussi[edit]

Références[modifier]

  1. ^. mw-parser-output .« Coroner calls for shake-up of laws »The Morning Bulletin. 24 février 2011.
  2. ^ « Point de vue : Perspectives sur l’exploitation minière moderne ». Caterpillar Global Mining. 2007. {{citejournal}}: Cite journal nécessite |journal= (aide)
  3. ^ Friswell, R. ; Williamson, A.M. (2011). « Investigating the relative effects of sleep deprivation and time of day on fatigue and performance ». Accident Analysis & Prevention43 (2011) : 690–697. doi:10.1016/j.aap.2010.10.013PMID 21376856.
  4. Sauter à :a b c d « Faits et statistiques »DrowsyDriving.org. Consulté le 30 avril 2017.
  5. ^ « Fatigue Management Plan ». Ministère de l’industrie et du développement du gouvernement de la Nouvelle-Galles du Sud. 2001. {{citejournal}}: Cite journal requires |journal= (help)
  6. ^ Dingus , T.A ; Hardee, H. ; Wierwille, W.W (1987). « Development of models for on-board detection of driver impairment ». Accident Analysis & Prevention19 (4) : 271–283. doi:10.1016/0001-4575(87)90062-5PMID 3651201.
  7. Sauter à :a b Maldonado, C.C. ; Schutte, P.C. (2003).  » Factors affecting dirver alertness during the operation of haul trucks in the South African mining industry » (PDF). Pretoria : CSIR Mining Technology. {{cite journal}}: Cite journal requires |journal=(help)
  8. ^ Barr, L. ; Howarth, H. ; Popkin, S. ; Carroll, R. J. (2005). « A review and evaluation of emerging driver fatigue detection measures and technologies ». Washington, DC : Département des transports des États-Unis. CiteSeerX 10.1.1.508.8409{{citejournal}}: Cite journal requires |journal= (help)
  9. ^ « Fatigue Monitoring Technology | Transportation Alternatives ». Consulté le 2021-03-06.
  10. Sauter à :a b c d e f « www.smartcaptech.com ». www.smartcaptech.com. EdanSafe. 2015. Consulté le 30 avril 2017.
  11. Sauter à :a b Federal Highway Administration (1998).  » PERCLOS : A valid psychophysiological measure of alertness as assessed by psychomotor vigilance » (PDF). Washington, DC : Département des transports des États-Unis. {{cite journal}}: Cite journal requires |journal=(help)
  12. ^ Ji , Q. ; Lan, P. ; Zhu, Z. (2004). « Surveillance non intrusive en temps réel et prédiction de la fatigue du conducteur ». IEEE Transactions on Vehicle Technology55 (3) : 1052-1068. CiteSeerX 10.1.1.79.846doi:10.1109/TVT.2004.830974S2CID 5971302.
  13. ^ Abulkair, M. ; Alsahli, A.H. ; Alzahrani, F.M ; Alzahrani, H.A ; Bahran, A.M ; Ibrahim, L.F ; Taleb, K.M (2015).  » Système de détection et d’alerte de la fatigue du conducteur sur plateforme mobile »Procedia Computer Science62 (2015) : 555–564. doi:10.1016/j.procs.2015.08.531.
  14. ^ Wijnands , J.S. ; Thompson, J. ; Nice, K.A. ; Aschwanden, G.D.P.A. ; Stevenson, M. (2019). « Surveillance en temps réel de la somnolence des conducteurs sur les plateformes mobiles à l’aide de réseaux neuronaux 3D »Neural Computing and Applications32 (13) : 9731-9743. arXiv:1910.06540doi:10.1007/s00521-019-04506-0.
  15. ^ Langley, Dr. Theodore D. ; Heitmann, Dr. Anneke ; Schnipke, Dr. Deborah L. ; Ashford, Dr. J. Wesson ; Hansen, Dr. Karen ; Bowles, Henry M. (24 septembre 2009). « Measuring human fatigue with the BLT prototype »Institut national pour la sécurité et la santé au travail. NIOSHTIC No. 20038627. Consulté le 10 octobre 2019.
  16. Sauter à :a b Taub, E.A. (16 mai 2017). « Somnolent au volant ? Certaines voitures peuvent le dire »New York Times. Consulté le 16 mai 2017.
  17. ^ »Fatigue Detection ». Volkswagen Australia Official Website New Cars & SUVs{{citeweb}}: Missing or empty |url= (help)
  18. ^ « Volvo Cars introduit de nouveaux systèmes pour alerter les conducteurs fatigués et distraits ». Volvo Car Corporation. 22 octobre 2013. {{citejournal}}: Cite journal requires |journal= (help)
  19. ^ Tinoco De Rubira, T. (11 décembre 2009).  » Système de détection automatique de la fatigue » (PDF). Université de Stanford. {{citejournal}}: Cite journal nécessite |journal= (aide)

Catégories

L’air intérieur est chargé de virus de la grippe et du COVID. Les pays vont-ils l’assainir ?

La pandémie actuelle a attiré l’attention sur l’importance d’un air intérieur sain et pourrait donner lieu à des améliorations durables de l’air que nous respirons.

People partying in the Brussels night club Louise Gallery Event Hall, Belgium.
En Belgique, les clubs de danse et autres espaces intérieurs afficheront bientôt des informations sur la qualité de l’air.Crédit : Christophe Ketels/Alamy

En Belgique, les bars pourraient compter parmi les endroits les plus sains pour prendre un verre à partir de juillet. En effet, une nouvelle loi entrera en vigueur à cette date, obligeant les lieux publics à respecter les objectifs en matière de qualité de l’air et à afficher des mesures en temps réel des concentrations de dioxyde de carbone, un indicateur de la quantité d’air pur acheminée par les canalisations.

En Belgique, les consommateurs obtiendront encore plus d’informations en 2025, lorsque les salles de sport, les restaurants et les espaces de travail intérieurs devront tous afficher des indices de qualité de l’air délivrés par un système de certification. En cas de pandémie, le système d’évaluation belge pourrait déterminer si un lieu doit être fermé ou non.

La loi, promulguée en juillet 2022, est la plus audacieuse d’une série de mesures prises par les pays à la suite de la pandémie de COVID-19 pour rendre les espaces intérieurs plus sûrs face aux maladies infectieuses causées par des virus tels que le SRAS-CoV-2 et la grippe.

En mars 2022, le gouvernement américain a lancé le Clean Air in Buildings Challenge pour inciter les propriétaires et les exploitants de bâtiments à améliorer la ventilation et la qualité de l’air intérieur. En octobre de l’année dernière, l’État de Californie a adopté une loi exigeant que tous les bâtiments scolaires fournissent un air intérieur propre. En décembre, la Maison Blanche a annoncé que tous les bâtiments fédéraux – quelque 1 500 au total – répondraient à des exigences minimales en matière de sécurité de l’air. Toujours en décembre, l’American Society of Heating, Refrigerating and Air Conditioning Engineers (ASHRAE) – un organisme de l’industrie de la construction dont les recommandations sont adoptées par les codes locaux de la construction aux États-Unis et ailleurs – a annoncé qu’elle élaborerait des normes prenant en compte le risque d’infection d’ici à juin 2023.Les méfaits cachés de la pollution de l’air intérieur – cinq étapes pour les dénoncer

En juin dernier, les principaux organismes d’ingénierie du Royaume-Uni ont publié un rapport, commandé par le gouvernement, qui préconise l’adoption de réglementations applicables en matière d’assainissement de l’air afin de rendre les bâtiments sûrs tout au long de leur durée de vie (voir go.nature.com/3kgsmjt). D’autres pays prennent également des mesures, par exemple en installant des moniteurs de qualité de l’air dans les salles de classe.

Les spécialistes de la qualité de l’air intérieur sont encouragés par la perspective que la pandémie pourrait apporter des améliorations durables à l’air que nous respirons à l’intérieur. Le virus SARS-CoV-2, responsable du COVID-19, se propage principalement dans les espaces intérieurs, tout comme les agents pathogènes à l’origine d’autres maladies infectieuses, telles que la varicelle, la rougeole, la tuberculose et la grippe saisonnière.

« Il n’y a jamais eu, dans l’histoire, autant d’actions en faveur de la qualité de l’air intérieur », déclare Lidia Morawska, spécialiste des aérosols à l’université de technologie du Queensland, à Brisbane, en Australie.

Mais d’énormes défis nous attendent, en particulier pour le parc existant d’écoles, d’immeubles de bureaux et d’autres lieux publics. Les équiper de la technologie nécessaire pour fournir de l’air pur à des niveaux suffisants sera une entreprise immense et coûteuse, affirment les experts dans ce domaine. Mais, selon eux, les avantages l’emporteraient sur les coûts. Selon une estimation, les épidémies de grippe pandémique et saisonnière coûtent au Royaume-Uni 23 milliards de livres sterling (27 milliards de dollars) par an, en moyenne (voir « Le coût élevé des épidémies »), et le pays pourrait économiser 174 milliards de livres sterling sur une période de 60 ans en améliorant la ventilation dans les bâtiments (voir go.nature.com/3ktumeg).

The high cost of outbreaks: Chart comparing the estimated cost of pandemic flu-type viruses to seasonal influenza in the UK.
Source : NERA Economic Consulting NERA Economic Consulting

La sécurisation des espaces intérieurs contre les infections pourrait également réduire l’exposition à des polluants tels que les particules fines provenant de la fumée des feux de forêt et de la cuisine, les composés organiques volatils lessivés par les meubles et les moisissures et pollens allergisants. Mais cela pourrait aussi augmenter les coûts énergétiques et contribuer aux émissions de gaz à effet de serre.

Les chercheurs s’efforcent encore de déterminer la meilleure façon de ventiler les espaces intérieurs pour empêcher les infections de se propager, ainsi que les technologies alternatives qui pourraient remplacer ou améliorer les systèmes de ventilation mécanique. Mais nombreux sont ceux qui affirment que l’on en sait déjà assez pour commencer à exiger des espaces intérieurs plus sûrs.

C’est une course contre la montre. Alors que l’inquiétude suscitée par le COVID-19 s’estompe, les experts s’interrogent sur les progrès que les pays pourront accomplir avant la prochaine grande épidémie de maladie infectieuse transmise par l’air.

Réduire les infections

Lorsque le COVID-19 a atteint le stade de la pandémie au début de l’année 2020, les autorités sanitaires n’ont pas accordé beaucoup d’attention aux risques liés à l’air intérieur. Dans un premier temps, l’Organisation mondiale de la santé (OMS) a écarté le rôle de la transmission par voie aérienne et s’est concentrée – à tort – sur la transmission par les surfaces contaminées. Mais même lorsque les autorités de santé publique ont commencé à recommander une meilleure ventilation pour prévenir les infections, elles n’ont donné que de vagues conseils. Elles ont conseillé d’ouvrir les fenêtres et de faire entrer autant d’air extérieur que possible à l’aide de systèmes de ventilation mécanique, sans donner de chiffres précis.

Ces conseils ont semé la confusion, explique Joseph Allen, hygiéniste du bâtiment à la Harvard T.H. Chan School of Public Health de Boston, dans le Massachusetts. « On ne peut pas dire aux gens de faire entrer plus d’air extérieur sans leur dire combien », explique-t-il.Pourquoi l’OMS a mis deux ans à déclarer que le COVID est transmissible par l’air

M. Allen a été l’un des premiers à évaluer le niveau de ventilation à atteindre. En juin 2020, lui et ses collègues ont recommandé que les écoles souhaitant rouvrir leurs portes après un lockdown procèdent à quatre à six renouvellements d’air par heure dans leurs salles de classe1 – renouvellements au cours desquels la totalité du volume d’air de la pièce est remplacée. Cela correspond à un taux de ventilation de 10 à 14 litres par seconde et par personne. Cependant, la plupart des écoles atteignaient des résultats bien inférieurs. Une étude portant sur des salles de classe californiennes, par exemple, a révélé que la plupart d’entre elles n’atteignaient pas ce niveau de ventilation2. L’OMS a publié ses propres lignes directrices en mars 2021, recommandant un taux de ventilation de 10 litres par seconde et par personne en dehors des établissements de santé.

En théorie, la pandémie offrait l’occasion idéale de recueillir des données réelles pour déterminer si de faibles taux de ventilation étaient associés à des épidémies, et de tester différents taux de ventilation pour voir lesquels entraînaient une réduction des taux d’infection. Mais les autorités sanitaires n’ont que rarement pris en compte la ventilation lorsqu’elles ont enquêté sur les grandes épidémies de COVID-19. Yuguo Li, ingénieur mécanicien à l’université de Hong Kong, estime que moins de dix enquêtes ont mesuré les taux de ventilation dans les lieux où des épidémies se sont déclarées, parce que la transmission par voie aérienne n’était pas dans le collimateur des gens.

Au lieu de cela, les chercheurs ont essayé d’obtenir des indices par le biais d’études d’observation. Morawska a participé à une étude portant sur 10 000 salles de classe dans la région des Marches, en Italie. Dans les 316 salles de classe équipées d’une ventilation mécanique avec des débits de 1,4 à 14 litres par seconde et par personne, le risque d’infection des élèves a été réduit d’au moins 74 % sur une période de 4 mois à la fin de l’année 2021, par rapport à celui des élèves des salles de classe dont la ventilation était assurée par les fenêtres. Ce groupe recevait généralement moins d’un litre par seconde et par personne. Lorsque les taux de ventilation étaient d’au moins 10 litres par seconde et par élève, le risque d’infection était réduit de 80 %3.Pourquoi les espaces intérieurs restent des lieux privilégiés pour le COVID

D’autres technologies qui éliminent les particules infectieuses de l’air sont de plus en plus connues. Une étude4 a examiné l’efficacité de deux purificateurs d’air équipés de filtres HEPA (absorption des particules à haute efficacité), placés dans une salle de conférence de 54 mètres carrés avec un mannequin qui générait des aérosols semblables à ceux qui transmettent le SRAS-CoV-2. Les nettoyeurs ont réduit de 65 % l’exposition aux aérosols de trois participants fictifs. C’est à peine moins que la réduction de 72 % obtenue en masquant tous les participants fictifs4.

Une autre étude, réalisée par l’ingénieur civil Bert Blocken de l’Université catholique de Louvain (KU Leuven) en Belgique, a montré qu’une ventilation combinée à une purification de l’air, équivalente à 6 renouvellements d’air par heure au total, permettait de réduire les concentrations d’aérosols exhalés dans un gymnase à 5-10 % de ce qu’elles auraient été en l’absence de ces mesures5. Cette concentration réduit considérablement le risque d’infection, explique M. Blocken. Il ajoute que les purificateurs d’air sont une technologie sous-estimée qui pourrait être facilement déployée dans les bâtiments qui ne disposent pas de systèmes de ventilation mécanique capables de fournir suffisamment d’air pur, ou dans lesquels le fonctionnement de ces systèmes consommerait trop d’énergie. L’État de Victoria, en Australie, a adopté cette approche en distribuant des purificateurs d’air portables à l’ensemble de ses 110 000 salles de classe en 2022.

En novembre dernier, le groupe de travail sur la sécurité au travail, à l’école et dans les transports de la Commission COVID-19 du Lancet, présidé par M. Allen, a publié des lignes directrices concrètes sur les taux d’apport d’air pur – en utilisant la ventilation, la filtration de l’air ou d’autres moyens – afin de réduire les infections transmises par l’air6. Pour atteindre ce que le rapport décrit comme la « meilleure » qualité d’air, il recommande plus de 6 renouvellements d’air par heure, soit 14 litres par seconde et par personne (voir « Quelle quantité d’air pur est suffisante ? »).

Quelle quantité d’air pur est suffisante ?

Un groupe de travail composé de chercheurs a proposé des taux de ventilation pour les bâtiments en utilisant plusieurs mesures*, dans le but de réduire les risques de transmission des maladies respiratoires transmises par l’air.

L’évaluationNombre équivalent de renouvellements d’air par heurePieds cubes par minute et par personneLitres par seconde et par personne
Bon42110
Mieux63014
Le meilleur>6>30>14

*Non illustré : débits volumétriques par surface de plancher.

Limites légales

Les exigences en matière de ventilation peuvent être compliquées, car elles varient en fonction de la taille de l’espace, du nombre de personnes qui s’y trouvent et de leur niveau d’activité. Certains chercheurs préconisent donc d’utiliser un raccourci en fixant des concentrations maximales de dioxyde de carbone. LeCO2 est souvent utilisé comme mesure indirecte de la ventilation et de la qualité de l’air intérieur7. Comme les gens expirent duCO2 en respirant, les niveaux de ce gaz peuvent grimper en flèche si l’espace est surpeuplé ou si la ventilation est insuffisante pour remplacer l’air expiré – qui peut contenir des virus infectieux – par de l’air pur.

Jusqu’en 1999, les normes ASHRAE comportaient une limite recommandée pour leCO2 de 1 000 parties par million (p.p.m.). À cette concentration, selon des recherches menées dans les années 1930, la perception des odeurs corporelles par les occupants des bâtiments serait maintenue à un niveau acceptable. Depuis, la recherche a montré que lorsque les concentrations dépassent 1 000 p.p.m., leCO2 peut provoquer de la somnolence et altérer les performances cognitives dans les tâches de prise de décision et de résolution de problèmes8.

Une petite étude publiée en septembre 2022 – et qui n’a pas encore fait l’objet d’un examen par les pairs – établit un lien direct entre les niveaux deCO2 et ceux des agents pathogènes infectieux. Les auteurs ont testé des échantillons d’air dans des crèches, des écoles, des universités et des maisons de soins pour détecter la présence d’agents pathogènes respiratoires. Les pièces présentant des niveaux deCO2 plus élevés étaient associées à des niveaux plus élevés d’agents pathogènes respiratoires9.

En août 2021, le gouvernement britannique a commencé à distribuer des capteurs deCO2 dans toutes les salles de classe afin que les enseignants puissent utiliser ces dispositifs pour décider quand ouvrir les fenêtres ou augmenter la ventilation. Des programmes similaires ont été mis en place en Europe, aux États-Unis et ailleurs, mais aucun n’a encore été évalué quant à sa capacité à réduire les taux d’infection.

Se fier aux relevés deCO2 présente toutefois des inconvénients. Les concentrations peuvent augmenter même lorsque le risque d’infection reste faible, par exemple lors de l’utilisation de purificateurs d’air portables – qui n’éliminent pas leCO2 de l’air – ou lors de la cuisson. LeCO2 est utile, déclare le chimiste Nicola Carslaw de l’université de York, au Royaume-Uni, qui étudie les polluants de l’air intérieur, « mais il n’explique pas tout ».

View of a newly installed CO2 signal lamp for monitoring indoor air quality in a lecture hall, Germany.
Une lampe verte indique que les niveaux de dioxyde de carbone à l’intérieur sont sûrs dans un amphithéâtre de l’université de Duisberg-Essen, en Allemagne.Crédit : dpa picture alliance/Alamy

Malgré ces problèmes, Mme Morawska estime que les détecteurs deCO2 devraient être largement déployés, car il s’agit d’un outil peu coûteux et facilement accessible qui pourrait être installé dans chaque espace intérieur, à l’instar des détecteurs de fumée. Mais l’affichage des valeurs deCO2 ne suffit pas, ajoute-t-elle, car il incombe aux occupants de la pièce de surveiller la qualité de l’air et de décider de ce qu’il convient de faire si les valeurs sont élevées.

Mme Morawska souhaiterait également que des lois imposent des niveaux maximums deCO2 autorisés dans les bâtiments publics, afin que la responsabilité en incombe aux exploitants des bâtiments et aux organismes de réglementation gouvernementaux. Quelques gouvernements l’ont déjà fait. L’année dernière, Mme Morawska et son collègue Wei Huang, de l’université de Pékin, ont passé en revue les lois relatives à la qualité de l’air dans plus de 100 pays. Seuls 12 d’entre eux disposaient de normes nationales pour la qualité de l’air intérieur spécifiant des seuils limites pour les polluants. Et seuls 8 d’entre eux – dont la Chine, la Corée du Sud, l’Inde, la Pologne et la Hongrie – ont fixé des limites pour la concentration deCO2, la plupart entre 800 p.p.m. et 1 000 p.p.m.10.

Le Japon dispose depuis 1970 d’une loi réglementant la qualité de l’air à l’intérieur des bâtiments, qui stipule que les concentrations deCO2 à l’intérieur des bâtiments ne doivent pas dépasser 1 000 ppm. La loi exige que les gestionnaires de bâtiments évaluent la qualité de l’air tous les deux mois, communiquent les résultats au gouvernement et établissent des plans d’assainissement si la qualité de l’air ne répond pas aux normes. Mais près de 30 % des bâtiments ont dépassé la limite deCO2 en 2017, selon un rapport de 202011.Comment les incendies de forêt record nuisent à la santé humaine

Pourtant, les lois japonaises fonctionnent, affirme Kazukiyo Kumagai, ingénieur en santé publique au ministère californien de la santé à Richmond. « Le Japon est dans une meilleure situation que les États-Unis en ce qui concerne la qualité de l’air intérieur. L’adoption d’une approche japonaise de surveillance et de notification régulières pourrait fonctionner ailleurs, ajoute-t-il.

Les limites légales pourraient devenir plus courantes. La nouvelle loi belge, par exemple, entre en vigueur en juillet de cette année et stipule que les lieux publics doivent être ventilés à un taux de 40 mètres cubes par heure afin que leCO2 ne dépasse pas 900 p.p.m.. En cas de filtration de l’air, un taux de ventilation inférieur de 25 mètres cubes par heure suffit, et leCO2 peut atteindre un niveau maximal de 1 200 ppm.

Légiférer sur la qualité de l’air intérieur est « délicat », déclare Catherine Noakes, ingénieur mécanicien à l’université de Leeds, au Royaume-Uni, qui a contribué au rapport de son pays sur les bâtiments résistants aux infections. « L’un des défis liés à l’air intérieur, dit-elle, est de savoir à qui il appartient. La responsabilité peut être répartie entre les ministères et les agences gouvernementales, en fonction de l’utilisation du bâtiment. L’air intérieur d’une école peut relever de la responsabilité du ministère de l’éducation, tandis que les immeubles de bureaux peuvent être réglementés par une agence de santé et de sécurité au travail.

C’est le cas aux États-Unis, où aucune agence n’est actuellement habilitée à réglementer l’air intérieur, explique Andrew Persily, ingénieur mécanicien au National Institute of Standards and Technology de Gaithersburg, dans le Maryland. En Belgique également, la nouvelle loi nationale ne couvre pas les écoles, qui relèvent de la responsabilité des gouvernements régionaux. Au Japon, une loi distincte pour les bâtiments scolaires fixe une limite deCO2 plus élevée, à savoir 1 500 ppm, un niveau que beaucoup considèrent comme trop élevé.

Fixer des normes

En l’absence de lois nationales, les organismes professionnels qui fixent les normes de qualité de l’air commencent à agir. Lorsque l’ASHRAE publiera sa norme d’atténuation des infections en juin, on espère que les objectifs recommandés seront adoptés dans les codes de construction locaux auxquels les nouveaux bâtiments doivent se conformer.

« Nous avons toujours abordé la question de la qualité de l’air intérieur, mais pas spécifiquement pour l’atténuation des agents pathogènes », explique l’ingénieur Ginger Scoggins, présidente élue de l’ASHRAE, basée en Caroline du Nord. L’ASHRAE pourrait être confrontée à des réactions négatives. Ginger Scoggins explique que lorsque l’association a modifié la norme de ventilation pour la faire passer de 5 pieds cubes par minute à 15 (2,4 litres par seconde à 7,1 litres par seconde), de nombreux habitants des régions chaudes des États-Unis ont manifesté leur mécontentement parce que cette mesure entraînerait une hausse des coûts énergétiques liés à l’utilisation de l’air conditionné. La commission scolaire locale a décidé que les salles de classe ne devaient atteindre que 7,5.

Même si les normes ASHRAE ne sont pas appliquées, elles feront la différence, affirme M. Allen. En plus d’influencer la façon dont les bâtiments sont construits, des normes ASHRAE plus strictes envoient un signal fort aux entreprises situées dans des bâtiments plus anciens, leur indiquant à quoi ressemble l’étalon-or en matière de qualité de l’air intérieur.

Selon M. Noakes, l’amélioration de la qualité de l’air à l’intérieur des bâtiments peut se justifier sur le plan économique. L’analyse coûts-avantages réalisée pour le rapport britannique a révélé que le pays pourrait économiser 3 milliards de livres sterling par an sur une période de 60 ans en améliorant la ventilation.

Les chercheurs estiment qu’il faudra du temps pour réduire les risques d’infection à l’intérieur des bâtiments. « Nous pensons à une trentaine d’années », précise M. Morawska. « Mais nous parlons de l’avenir de notre société.

Nature 615, 206-208 (2023)

doi: https://doi.org/10.1038/d41586-023-00642-9

Détection de la fatigue de conduite basée sur l’EEG

De face. Neurorobot., 11 février 2021h

ttps://doi.org/10.3389/fnbot.2021.618408

à l’aide d’une fonction de base radiale de hiérarchie d’apprentissage à deux niveaux

  • 1 Centre de robotique et de microsystèmes, Université Soochow, Suzhou, Chine
  • 2 Département de génie biomédical, Université de Houston, Houston, TX, États-Unis
  • 3 College of Automation, Intelligent Control & Robotics Institute, Hangzhou Dianzi University, Hangzhou, Chine
  • 4 Hôpital provincial de réadaptation en cas d’accident du travail du Guangdong, Guangzhou, Chine
  • 5 Département de génie industriel, Université de Houston, Houston, TX, États-Unis

La détection de la fatigue au volant basée sur l’électroencéphalographie (EEG) a récemment attiré une attention croissante en raison de la nature non invasive, peu coûteuse et potable de la technologie EEG, mais il est toujours difficile d’extraire des caractéristiques informatives des signaux EEG bruyants pour la détection de la fatigue au volant . Le réseau de neurones à fonction de base radiale (RBF) a attiré beaucoup d’attention en tant que classificateur prometteur en raison de sa structure de réseau linéaire dans les paramètres, de sa forte capacité d’approximation non linéaire et de la propriété de généralisation souhaitée. Les performances du réseau RBF dépendent fortement des paramètres réseau tels que le nombre de nœuds cachés, le nombre de vecteurs centraux, la largeur et les poids de sortie. Cependant, les méthodes d’optimisation globale qui optimisent directement tous les paramètres du réseau entraînent souvent un coût d’évaluation élevé et une convergence lente. Pour améliorer la précision et l’efficacité du modèle de détection de fatigue de conduite basé sur l’EEG, cette étude vise à développer un réseau RBF à hiérarchie d’apprentissage à deux niveaux (RBF-TLLH) qui permet une optimisation globale des paramètres clés du réseau. Des données expérimentales d’EEG ont été recueillies, à la fois dans des états de fatigue et d’alerte, auprès de six participants en bonne santé dans un environnement de conduite simulée. L’analyse en composantes principales a d’abord été utilisée pour extraire les caractéristiques des signaux EEG, et le RBF-TLLH proposé a ensuite été utilisé pour l’état de conduite (fatigue de six participants en bonne santé dans un environnement de conduite simulée. L’analyse en composantes principales a d’abord été utilisée pour extraire les caractéristiques des signaux EEG, et le RBF-TLLH proposé a ensuite été utilisé pour l’état de conduite (fatigue de six participants en bonne santé dans un environnement de conduite simulée. L’analyse en composantes principales a d’abord été utilisée pour extraire les caractéristiques des signaux EEG, et le RBF-TLLH proposé a ensuite été utilisé pour l’état de conduite (fatiguecontre _ alerte). Les résultats ont démontré que l’approche RBF-TLLH proposée obtenait de meilleures performances de classification (précision moyenne : 92,71 % ; aire sous la courbe de fonctionnement du récepteur : 0,9199) par rapport à d’autres réseaux de neurones artificiels largement utilisés. De plus, seuls trois paramètres de base doivent être déterminés à l’aide des ensembles de données d’apprentissage dans le classificateur RBF-TLLH proposé, ce qui augmente sa fiabilité et son applicabilité. Les résultats démontrent que l’approche RBF-TLLH proposée peut être utilisée comme cadre prometteur pour une détection fiable de la fatigue au volant basée sur l’EEG.

Introduction

La fatigue au volant est une préoccupation mentale et physique typique qui affaiblit la capacité du conducteur à contrôler le véhicule ( Li Z. et al., 2017 ). Cela représente non seulement un risque important de blessures et de décès pour les conducteurs, mais également des blessures pour les autres usagers de la route tels que les passagers, les motocyclistes, les autres conducteurs et les piétons. Selon les données statistiques rapportées par l’Organisation mondiale de la santé, plus de 1,3 million de personnes sont tuées chaque année dans des accidents de la route principalement dus à la fatigue au volant ( Sahayadhas et al., 2012 ; Li Z. et al., 2017 ). Par conséquent, il est très important d’étudier les caractéristiques de la fatigue de conduite et de développer un système de détection automatique de la fatigue de conduite avec des performances de détection fiables ( Li Z. et al., 2017Sikander et Anwar, 2019 ).

Les méthodes actuellement disponibles pour la détection de la fatigue au volant peuvent être classées en trois catégories ( Sikander et Anwar, 2019 ): (1) approche basée sur la psychologie qui repose généralement sur des questionnaires psychométriques pour évaluer le niveau de fatigue d’un individu ( Michielsen et al., 2004 ), (2) approche basée sur la vidéo qui surveille généralement l’état comportemental et physique du conducteur, comme les traits du visage, la position de la tête, le temps de réaction, les erreurs de direction, la déviation de voie, etc. ( Akerstedt et al., 2005 ; Hsieh et Tai, 2013 ), et (3) une approche physiologique qui utilise les biosignaux associés à la fatigue au volant, comme l’électrooculographie (EOG) pour mesurer le mouvement de l’œil ( Hu et Zheng, 2009 ;Picot et al., 2012 ), électrocardiographie (ECG) pour détecter la variabilité de la fréquence cardiaque ( Jung et al., 2014 ), électroencéphalographie (EEG) pour évaluer l’état du cerveau ( Huang et al., 2016 ; Ma et al., 2019 , 2020 ), et l’électromyographie (EMG) pour mesurer l’activité musculaire ( Sikander et Anwar, 2019 ). Parmi eux, la mesure psychologique autodéclarée prend du temps et est subjective car elle repose sur les réactions subjectives du conducteur viaquestionnaires, ce qui rend impossible et peu fiable la détection en temps réel. Les approches basées sur la vidéo sont vulnérables aux facteurs environnementaux, tels que la luminosité, les conditions météorologiques, l’état des routes et d’autres facteurs, qui pourraient entraîner de mauvaises performances de détection ( Jimenez-Pinto et Torres-Torriti, 2012 ). L’EOG, l’ECG, l’EMG de surface et l’EEG ont tous été explorés en tant que mesures physiologiques pour la détection de la fatigue au volant, avec des avantages et des inconvénients spécifiques les uns par rapport aux autres ( Sikander et Anwar, 2019). Les électrodes doivent être placées sur la surface du corps, ce qui rend le système de nature intrusive. Par exemple, les signaux EOG sont récupérés par des électrodes placées près de l’œil, ce qui peut gêner la conduite. L’ECG peut être mesuré de manière moins intrusive, mais les signaux ECG ont montré une forte variance inter-sujets, ce qui peut compliquer le développement d’un système générique de détection de la fatigue au volant. L’applicabilité de l’EMG de surface dans la détection de la fatigue de conduite en temps réel est limitée ( Sikander et Anwar, 2019 ). L’EEG a été considéré comme une modalité prometteuse pour la détection de la fatigue au volant, en raison de sa haute résolution temporelle, de sa grande portabilité et de sa bonne sensibilité à l’état cérébral ( O’Hanlon et Kelley, 1977 ; Nguyen et al., 2019 ; Gao et al., 2020). En particulier, l’EEG peut être utilisé pour mesurer de manière non invasive l’activité électrique neuronale de la surface du cuir chevelu afin de fournir une évaluation directe de l’état de fatigue cérébrale ( Zhao et al., 2017 ; Sikander et Anwar, 2019 ). Cependant, la récupération du signal EEG à travers plusieurs électrodes est très sensible au bruit provenant de facteurs externes, et il est essentiel d’extraire des caractéristiques informatives des signaux EEG bruyants pour une application réussie de détection de la fatigue au volant.

Les réseaux de neurones ont été utilisés comme des outils prometteurs pour extraire des caractéristiques informatives des signaux EEG en raison de leur parallélisme de calcul massif qui ressemble à la façon dont le cerveau traite l’information ( Masic et Pfurtscheller, 1993 ). Récemment, de nombreuses études ont mis en œuvre des systèmes de détection de la fatigue au volant basés sur l’EEG en utilisant des techniques de réseau de neurones. Vuckovic et al. ont proposé un modèle de classification de la vigilance et de la somnolence à partir d’enregistrements EEG sur des sujets sains arbitraires, dans lequel le réseau de neurones artificiels (RNA) a été utilisé comme classificateur automatique ( Vuckovic et al., 2002). Yang et al. ont présenté un modèle de classification de la fatigue au volant basé sur une technique de fusion d’informations et un réseau neuronal dynamique. Les résultats expérimentaux ont indiqué que les caractéristiques dérivées de l’EEG étaient capables de détecter l’état de fatigue d’un conducteur ( Yang et al., 2010 ). De plus, Aruna et al. ont proposé une méthode récurrente de réseau neuronal flou auto-évolutif pour la détection de la fatigue au volant, dans laquelle le coefficient de corrélation de l’attention du conducteur était classé pour détecter la fatigue au volant ( Aruna et Kalaivani, 2016 ). Chai et al. ont présenté une structure de réseau neuronal bayésien à trois couches pour la classification binaire de la fatigue au volant, où la modélisation autorégressive (RA) a été utilisée comme algorithme d’extraction de caractéristiques ( Chai et al., 2017b). De plus, Chai et al. ont également proposé un modèle amélioré de classification de la fatigue au volant basé sur l’EEG, où le modèle AR a été utilisé pour l’extraction de caractéristiques, et le réseau de croyance clairsemé-profond (DBN clairsemé) a été utilisé pour la classification ( Chai et al., 2017a ). Des études récentes ont également démontré que le réseau de neurones à fonction de base radiale (RBF) était un classificateur prometteur en raison de sa structure de réseau linéaire dans les paramètres, de sa forte capacité d’approximation non linéaire et de la propriété de généralisation souhaitée. Li et al . ont démontré que la méthode de classification basée sur la fonction de base radiale présente des avantages en termes de précision de classification pour la classification des crises d’épilepsie en comparant avec cinq autres classificateurs ( Li Y. et al., 2017 ; Li et al., 2019). La régression vectorielle de support basée sur le noyau RBF a également obtenu de meilleures performances dans la prédiction de la fatigue par rapport aux autres fonctions du noyau dans l’étude de Bose et al. (2019) . Les performances du réseau RBF dépendent fortement des paramètres réseau, qui doivent être optimisés globalement pour de meilleures performances. Les paramètres du réseau RBF peuvent être estimés à l’aide des méthodes d’optimisation globale existantes ( Petković et al., 2016 ; Aljarah et al., 2018 ). Malheureusement, en raison d’un nombre relativement important de paramètres de réseau qui doivent être optimisés, les méthodes d’optimisation globale existantes présentent un coût de calcul élevé et une convergence lente et conduisent en outre à une faible précision de classification et à une faible efficacité du réseau RBF.

Dans cette étude, un réseau RBF à hiérarchie d’apprentissage à deux niveaux (RBF-TLLH) est développé pour améliorer les performances de la classification RBF. Dans le RBF-TLLH proposé, seuls trois paramètres de réseau RBF clés doivent être optimisés et, en tant que tels, peuvent être facilement optimisés globalement et efficacement. Plus précisément, le RBF-TLLH est construit en utilisant l’algorithme ROLS + D-opt, qui combine les moindres carrés orthogonaux régularisés (ROLS) et le plan expérimental d’optimalité D (D-opt) au niveau inférieur et l’optimisation de l’essaim de particules ( PSO) au niveau supérieur. L’algorithme PSO est utilisé pour optimiser globalement les trois paramètres de base de l’algorithme ROLS+D-opt afin d’améliorer les performances de classification. Comme les signaux EEG sont généralement mesurés avec plusieurs canaux à un taux d’échantillonnage élevé, l’analyse en composantes principales (PCA) (Hotelling, 1933 ) est utilisé pour réduire la dimensionnalité de l’espace de données d’origine ( Lever et al., 2017 ; Artoni et al., 2018 ) avant l’application du RBF-TLLH. Les performances de l’approche proposée sont évaluées sur la détection de la fatigue au volant et comparées à plusieurs réseaux de neurones artificiels largement utilisés, notamment le réseau de neurones artificiels basé sur la rétropropagation (BP), le réseau de neurones artificiels basé sur le PSO et le réseau RBF basé sur l’algorithme d’apprentissage ROLS+D-opt.

Matériaux et méthodes

Étudier le design

La structure globale du cadre de classification de la fatigue basé sur l’EEG proposé est illustrée à la figure 1 , qui se compose de cinq étapes : (1) collecte de données EEG dans un environnement de conduite simulé, (2) prétraitement et segmentation des données brutes, (3) réduction de la dimensionnalité et extraction de caractéristiques à l’aide de l’ACP ; (4) classification à l’aide du réseau RBF et (5) évaluation des performances.Figure 1

FIGURE 1 . Illustration schématique du réseau de fonctions à base radiale de la hiérarchie d’apprentissage à deux niveaux.

Participants et acquisition de données EEG

Les données EEG utilisées dans cette étude ont été recueillies auprès de six volontaires sains de sexe masculin (droitiers, âgés de 23 à 27 ans). Tous les volontaires avaient des permis de conduire valides et aucun participant n’avait d’antécédents de troubles physiques ou psychologiques. L’étude a été approuvée par le comité d’éthique local (Guangdong Provincial Work Injury Rehabilitation Center, Chine) et réalisée conformément à la Déclaration d’Helsinki. Chaque sujet a été pleinement informé du but de la recherche et a fourni un consentement éclairé écrit avant le début de l’expérience.

Un système de simulation de conduite (Shanghai Infrared Automobile Simulator Driving Equipment Co., Ltd., Chine) a été utilisé pour imiter un environnement de conduite réel pendant l’expérience. Comme le montre la figure 2 , le système de simulation de conduite comprend des simulations d’embrayages, de freins, d’accélérateurs et de scènes qui se composent de trois grands écrans et d’un logiciel de simulation hautes performances. Ce système peut imiter l’expérience de conduite réelle, comme l’évolution du trafic environnant. Les signaux EEG ont été enregistrés à l’aide d’un système d’acquisition EEG à 32 canaux (Brain Products GmbH, Allemagne), avec un taux d’échantillonnage de 500 Hz. Des électrodes EEG ont été placées sur le cuir chevelu selon le système standard international 10–20.Figure 2

FIGURE 2 . Le système de simulation de conduite et le dispositif d’acquisition EEG.

Avant le début de l’expérience, tous les participants ont été autorisés à pratiquer et à se familiariser avec le système de simulation de conduite. Les données EEG ont ensuite été recueillies pour deux états, alerte (non-fatigue) et fatigue. Pour collecter les données d’alerte, tous les sujets devaient maintenir un sommeil adéquat et naturel pendant environ 8 h pendant la nuit précédant l’expérience. Les données EEG ont été recueillies à 9 h le lendemain pendant environ 30 à 60 min pendant que les sujets exécutaient la tâche de simulation de conduite. Pour l’enregistrement des données d’alerte, le chemin a été tracé relativement compliqué pour éviter la somnolence des sujets. D’autre part, pour collecter les données de fatigue, tous les sujets ont été invités à dormir seulement 4 h pendant la nuit précédant l’expérience. Les données EEG ont également été enregistrées à 9 h pendant 30 à 60 min lorsque les sujets conduisaient dans l’environnement de simulation. L’expérience a été réalisée dans un laboratoire calme et non perturbé avec des températures ambiantes d’environ 22°C. Afin d’atteindre rapidement l’état de fatigue lors de la collecte de données sur la fatigue, une route longue et droite avec très peu de piétons a été utilisée dans l’environnement simulé. Pendant l’enregistrement des données, un observateur était assis à 2 m à côté du sujet et surveillait le comportement du sujet sans causer aucune perturbation au sujet. L’observateur décidait si le sujet était dans un état de fatigue ou dans un état d’alerte en observant les signes de somnolence du sujet (plus de 2 s de fermeture des yeux et de hochements de tête, grande déviation de la route). L’enregistrement des données EEG s’est terminé 30 minutes après que le sujet ait commencé à montrer des symptômes de fatigue.

Prétraitement et segmentation des données

Dans cette étude, des signaux EEG de 20 minutes dans chaque état (alerte ou fatigue) ont été collectés sur chaque sujet, et toutes les analyses de données ont été mises en œuvre dans un environnement MATLAB (2014a, MathWorks, Natick, Massachusetts). Les données EEG enregistrées ont d’abord été sous-échantillonnées de 500 à 200 Hz, et un filtrage passe-bande Butterworth de quatrième ordre (1 à 45 Hz) a ensuite été appliqué pour éliminer les artefacts tels que la dérive lente, le bruit à haute fréquence et la ligne électrique. ingérence. Les données EEG prétraitées de 20 minutes (1 200 s) pour chaque état ont ensuite été segmentées en appliquant une fenêtre temporelle de 10 s, ce qui a donné 120 échantillons pour chaque état (fatigue ou alerte). Il convient de noter que, dans cette étude, chaque échantillon est une forme matricielle à deux dimensions (32 canaux × 2 000 points). Ainsi, avec les six participants, un total de 1, 440 échantillons (720 échantillons pour l’alerte et 720 échantillons pour la fatigue) ont été formés pour l’extraction et la classification des caractéristiques. Pour chaque participant, le total de 240 échantillons a été divisé en l’ensemble de données d’entraînement avec 200 échantillons et l’ensemble de données de validation avec les 40 échantillons restants, où les échantillons EEG de fatigue et d’état d’alerte ont été répartis de manière égale. De plus, une validation croisée de 6 fois a été utilisée pour l’évaluation des performances.

Extraction de caractéristiques

Pour extraire les caractéristiques représentatives des grandes quantités de données EEG, la réduction de la dimensionnalité est d’abord effectuée pour réduire les dépenses de calcul et l’erreur de classification. L’ACP est une méthode non supervisée efficace et flexible pour la réduction de la dimensionnalité des données ( Hotelling, 1933 ). Pour un échantillon EEG donné ( m 32 canaux × 2 000 points), l’ACP transforme les données de l’échantillon dans un espace de dimension inférieure par le biais d’une projection orthogonale ou d’une transformation des points corrélés en variables de données non corrélées, appelées composantes principales (PC) ( Lever et al., 2017 ; Artoni et al., 2018 ). En fonction du taux de cotisation cumulatif prédéterminé, le premier rles composants avec les variances les plus importantes sont conservés. Le nombre préservé de PCs, r , est un paramètre important dans PCA. Dans cette étude, différentes valeurs r ont été testées à travers plusieurs essais, et les résultats ont montré que les 10 premiers PC représentaient plus de 80 % (le taux de contribution cumulé minimum est jusqu’à 82,13 %) de la variance totale des signaux d’origine pour tous Échantillons EEG. Par conséquent, les 10 premiers PC ont été conservés et l’échantillon EEG d’origine d’une taille de 32 sur 2 000 a été transformé en une matrice de dimension inférieure d’une taille de 32 sur 10. Ces échantillons de dimension inférieure ont été utilisés pour construire la classification de la fatigue au volant. maquette.

Modèle de classement

Un réseau RBF est un réseau neuronal prédictif à couche cachée unique qui est généralement contrôlé par plusieurs paramètres clés, notamment les vecteurs centraux, la largeur de la fonction de base et les poids de connexion des nœuds cachés à la sortie du réseau. Un réseau RBF avec n nœuds cachés et une seule sortie est illustré à la figure 3 , où les caractéristiques d’entrée sont d’abord transformées en nœuds cachés via n fonctions de base gaussiennes avec une largeur uniforme et différents vecteurs centraux. Les nœuds cachés sont en outre agrégés pour prédire la sortie du réseau via des poids de connexion. En désignant le vecteur d’entrée par x et la sortie par ỹ ) , le réseau RBF pourrait être représenté par :

ỹ ( x ) =∑je = 1nθjeexp ( -| | x- _cje| |2/ ρ )    ( 1 )ỹ(x)=∑i=1nθiexp(-||x-ci||2/ρ)    (1)

où i ( i = 1, ⋯ , n ) sont les vecteurs centraux, ρ est la largeur des fonctions de base gaussiennes, θ i ( i = 1, ⋯ , n ) sont les poids et ||·|| est la norme euclidienne.Figure 3

ILLUSTRATION 3 . Réseau de fonctions à base radiale pour le modèle de classification de la fatigue au volant basé sur l’EEG.

Algorithme d’apprentissage intégré ROLS+D-opt

Afin de construire un modèle avec de bonnes performances, dans cette étude, nous adoptons un algorithme d’apprentissage intégré (ROLS + D-opt) pour former le modèle en combinant les moindres carrés orthogonaux régularisés et le plan expérimental D-optimal. Les techniques de régularisation ROLS améliorent les propriétés de généralisation, et le plan expérimental de D-optimalité améliore encore l’efficacité et la robustesse du modèle ( Hong et Harris, 2002 ; Chen et al., 2003 ). En désignant l’entrée et la sortie du k ème échantillon par x ( k ) et y ( k ), respectivement, un ensemble d’apprentissage de N échantillons pourrait être représenté par{ y( k ) , x ( k ) }Nk = 1{y(k),x(k)}k=1N. Pour formuler le réseau comme un problème linéaire dans les paramètres, chaque entrée d’échantillon est considérée comme un centre candidat dans RBF, c’est-à-dire, i = x ( i ), i = 1, …, N . Par conséquent, le i ème nœud caché sur le k ème échantillon, noté ϕ i ( k ), pourrait être représenté parϕje( k ) = e X p ( -| | X ( k ) – X ( je ) ||2ρ)ϕi(k)=exp(-||x(k)-x(i)||2ρ). La sortie souhaitée y ( k ) peut être exprimée comme

y( k ) = ỹ ( k ) + e ( k ) =∑je = 1Nθjeϕje( k ) + e ( k ) 1 ≤ k ≤ N    ( 2 )y(k)=ỹ(k)+e(k)=∑i=1Nθiϕi(k)+e(k)1≤k≤N    (2)

où e ( k ) est l’erreur entre y ( k ) et la sortie réelle du réseau ỹ( k ), θ i sont les poids de sortie et N est le nombre d’échantillons dans l’ensemble de données d’apprentissage. L’algorithme d’apprentissage ROLS+D-opt intégré transforme d’abord le modèle (2) en une forme matricielle et effectue une décomposition orthogonale sur la matrice de régression, qui décompose la matrice de régression en une matrice avec des colonnes orthogonales et une matrice triangulaire supérieure. Plus précisément, le modèle de régression dans (2) peut être décrit comme :

y =Φθ+ e = W UNE θ+ e = W g + e    ( 3 )y=Φθ+e=WAθ+e=Wg+e    (3)

où y est le vecteur de sortie, Φ est la matrice de régression, θ est le vecteur de pondération et e est le vecteur d’erreur. La matrice de régression Φ pourrait être décomposée en deux matrices, W et A , où W = w1 , ⋯ , wN ] a des colonnes orthogonales qui satisfontwJjewj=0 ( je , j=1 ,⋯,N) wTwj=0(je,j=1,⋯,N)pour i ≠ j , et A est une matrice triangulaire supérieure à éléments diagonaux unitaires. La matrice triangulaire supérieure multiplie encore le vecteur de poids pour construire un vecteur de poids orthogonal, c’est-à-dire,g=[g1,⋯,gN]J =Aθ g=[g1,⋯,GN]T=Aθ. Ensuite, l’algorithme d’apprentissage ROLS+D-opt intégré effectue une procédure de sélection directe de sous-ensemble à partir du modèle de régression complet, qui est basé sur le critère de minimisation suivant (Chen et al., 2003 ) :

JCR( g, λ , β) =JR( g, λ ) + β∑je = 1N− journal (wJjewje) =eJe +λgJg +                          β∑je = 1N− journal (wJjewje)( 4 )JCR(g,λ,β)=JR(g,λ)+β∑je=1N-Journal(wjeJwje)=eJe+λgJg+                          β∑je=1N-Journal(wjeJwje)    (4)

oùJR( g, λ ) =eJe +λgJgJR(g,λ)=eJe+λgJgest le critère d’erreur régularisé, λ ≥ 0 est un paramètre de régularisation et β est une petite pondération positive fixe pour le coût de D-optimalité. Le taux de réduction d’erreur est défini comme suit :

[ c r e r r ]je= ( (wJjewje+ λ )g2je+ βjournal (wJjewje) ) /yJy( 5 )[crerr]je=((wjeJwje+λ)gje2+βJournal(wjeJwje))/yJy    (5)

Sur la base du ratio dans (5), les régresseurs significatifs sont sélectionnés dans une procédure de régression directe, et la procédure de sélection est terminée lorsque ( Chen et al., 2003 ) :

[ c r e r r ]je≤ 0 , fou _ ns+ 1 ≤ l ≤ N( 6 )[crerr]je≤0,For ns+1≤je≤N    (6)

Hiérarchie d’apprentissage à deux niveaux Algorithme d’apprentissage en réseau RBF

Dans l’algorithme d’apprentissage ROLS+D-opt intégré, tous les centres candidats du réseau sont choisis parmi les vecteurs d’entrée des échantillons d’apprentissage, et les poids de sortie θ i dans (1) peuvent être obtenus par un algorithme d’apprentissage linéaire ( Chen et al., 2003 ). Par conséquent, seuls la largeur uniforme ρ , le paramètre de régularisation λ et le paramètre de pondération D-optimalité β doivent être déterminés dans l’algorithme ROLS + D-opt. Le choix de ces trois paramètres a une grande influence sur les performances du réseau RBF ( Hong et al., 2003Chen et al., 2009 ). Une méthode d’optimisation globale est nécessaire pour déterminer la combinaison optimale de ces trois paramètres.

Un schéma de hiérarchie d’apprentissage à deux niveaux (TLLH) est proposé en combinant les algorithmes PSO et ROLS + D-opt pour former le réseau RBF, comme le montre la figure 4. Avec les valeurs de la fonction de fitness données au niveau inférieur, PSO (Kennedy et Eberhart, 1995Shi et Eberhart, 1995 ) est utilisé pour apprendre la largeur ρ, le paramètre de régularisation λ et le paramètre de pondération D-optimalité β de l’algorithme intégré (ROLS +D-opt) au niveau supérieur, tandis que le niveau inférieur consiste en p algorithme d’apprentissage intégré parallèle ROLS+D-opt pour chaque ensemble de paramètres, [λ, ρ, β], fourni par le PSO. p est la taille de l’essaim du PSO, c’est-à-dire qu’il y a pparticules dans l’algorithme PSO. PSO, comme une méthode d’optimisation intelligente en essaim, a la caractéristique du calcul parallèle. Dans cette étude, tous les échantillons EEG sont divisés en un ensemble d’apprentissage et un ensemble de validation. Le i -ème algorithme ROLS + D-opt construit un réseau RBF en utilisant l’ensemble de données d’apprentissage avec une particule donnée [λ i, ρ i, β i ] et l’erreur quadratique moyenne (MSE) sur l’ensemble de validation du RBF résultant modèle est défini comme la fonction de fitness de l’algorithme PSO :

min f( K) =1nc∑k = 1nc( y( X ( k ) )-ỹ ( X ( k ) ) )2( 7 )minF(K)=1nc∑k=1nc(y(X(k))-ỹ(X(k)))2    (sept)

où K = [λ i, ρ i, β i ] représente la particule, y ( x ( k ) est la sortie souhaitée de l’échantillon de validation, ỹ( x ( k )) est la sortie réelle du réseau et c est la taille de l’ensemble de validation Plus la valeur de fitness est petite, meilleures sont les performances de généralisation du réseau ( Chen et al., 19992008 ).

La complexité de calcul de ce schéma TLLH est déterminée par le nombre total d’évaluations de fonctions au niveau supérieur. En supposant que la taille de l’essaim du PSO est p, la génération évolutive est T, et la complexité de l’algorithme ROLS+ D-opt est ROLS+D−opt. Ensuite, la complexité du schéma TLLH est

CTLLH= p × T×CROLS + D − opter    ( 8 )CTLLH=p×T×CROLS+D-opt    (8)

puisque le PSO n’est utilisé que pour optimiser trois paramètres de l’algorithme d’apprentissage ROLS+D-opt intégré, et le niveau inférieur présente un problème d’apprentissage linéaire. L’exigence de calcul globale de ce schéma est beaucoup plus petite que celle du schéma où un PSO est directement utilisé pour déterminer la structure du réseau RBF ainsi que pour apprendre tous les paramètres du réseau ( Billings et Zheng, 1995 ).Figure 4

ILLUSTRATION 4 . L’architecture de la hiérarchie d’apprentissage à deux niveaux dans les réseaux de fonctions à base radiale.

Évaluation des performances

Pour évaluer les performances de l’approche proposée, le RBF-TLLH proposé a été appliqué à l’ensemble de données de classification de la fatigue au volant et comparé aux modèles de réseau de neurones de pointe, y compris le RBF basé sur l’algorithme ROLS + D-opt ( RBF-ROLS+D-opt) ( Chen et al., 2003 ), ANN avant à trois couches avec rétropropagation (ANN-BP) ( Zaw et al., 2019 ; Zhang et Pu, 2020 ) et trois couches ANN avant avec optimisation PSO (ANN-PSO) ( Li et Liu, 2016 ). Le RBF basé sur l’algorithme ROLS+D-opt (RBF-ROLS+D-opt) a été largement utilisé en raison de sa robustesse, de la rareté des paramètres et de la facilité de mise en œuvre ( Chen et al., 2003). ANN-BP a la capacité d’approximer la fonction non linéaire avec une précision arbitraire ; par conséquent, il a été largement appliqué à divers problèmes de classification ( Zaw et al., 2019 ; Zhang et Pu, 2020 ). L’ANN avant à trois couches avec optimisation PSO (ANN-PSO) est également largement utilisé en raison de ses avantages tels qu’une mise en œuvre facile, moins de paramètres d’ajustement et une convergence rapide ( Li et Liu, 2016). Les poids et seuils initiaux sont générés de manière aléatoire dans l’intervalle [−1, 1] dans l’ANN-BP, l’époque maximale est fixée à 1 000 et le taux d’apprentissage est de 0,01. La MSE de l’ensemble de données d’apprentissage est minimisée en tant que fonction objectif dans l’ANN-PSO. La plage des paramètres variables est définie sur [−1, 1], la taille de l’essaim est définie sur 30 et les itérations évolutives sont définies sur 60. Selon la formule empirique, les nœuds cachés de ces deux classificateurs ANN sont tous deux définis sur 30. De plus, afin d’éviter le sur-ajustement ou le sur-entraînement dans le réseau ANN, une stratégie d’arrêt précoce basée sur la validation est utilisée pour sélectionner les meilleurs paramètres d’entraînement. Figure 5montre la courbe MSE de l’ensemble d’apprentissage et de l’ensemble de validation pour la classification. On peut voir que le meilleur numéro d’itération de l’ANN-BP est 79, et le meilleur numéro d’itération de l’ANN-PSO est 43, pour ce résultat d’apprentissage, selon la courbe MSE de l’ensemble de validation.Figure 5

ILLUSTRATION 5 . Erreur quadratique moyenne (MSE) de l’ensemble d’apprentissage et de validation pour l’arrêt précoce du classifieur. (A) Formation et validation MSE de réseau de neurones artificiels (ANN)-rétro-propagation. (B) Formation et validation MSE de l’optimisation des essaims de particules ANN.

La technique de régularisation est employée dans la fonction de critère (4) dans le TLLH-RBF proposé pour éviter le problème de sur-ajustement et améliorer la précision de la classification du réseau RBF. Le coût d’optimalité D est introduit pour améliorer encore l’efficacité et la robustesse du modèle de sous-ensemble sélectionné. Les paramètres, y compris la largeur RBF, le paramètre de régularisation et le paramètre de pondération D-optimalité, sont respectivement définis dans la plage ρ ∈ [1, 220], λ ∈ [ 10−7 , 1] et β ∈ [ 10− 7 , 1], et optimisé à l’aide du PSO. La taille de l’essaim pde PSO est fixé à 15 et le nombre d’itérations évolutives est fixé à 30. Pour une comparaison plus approfondie, un autre classificateur de réseau RBF basé sur l’algorithme ROLS + D-opt est également conçu, où les paramètres de largeur et D-optimalité sont déterminés comme ρ = 110 et β = 10−4 , respectivement, par la méthode des essais et erreurs, alors que le paramètre de régularisation λ est estimé par l’approche bayésienne (MacKayi, 1992 ; Chen et al., 1996 ).

Les résultats de classification obtenus par les quatre modèles de réseaux neuronaux susmentionnés ont été comparés les uns aux autres. Dans tous ces modèles de classification, lorsque la sortie réelle du réseau est > 0,5, le modèle la classe comme 1 (état de fatigue) ; sinon, le modèle le classe comme 0 (état d’alerte). Tous les échantillons sont d’abord normalisés avant que l’ANN ne soit formé pour éviter que les poids ANN ne soient trop grands.

Résultats

Le tableau 1 résume la précision de la classification dans la détection de la fatigue au volant telle qu’obtenue par les quatre modèles de classification utilisant une validation croisée de 6 fois pour chaque sujet. Les résultats montrent que le classificateur RBF-TLLH atteint la plus grande précision pour tous les sujets dans la classification de la fatigue par rapport aux états d’alerte, avec une valeur moyenne de 92,71 ± 6,26 %. Dans l’ensemble, les classificateurs ANN obtiennent une précision de classification inférieure à celle des classificateurs basés sur RBF. Le test t apparié a été utilisé pour la comparaison statistique, comme le montre la figure 6, montrant que le classificateur RBF-TLLH proposé surpasse de manière significative les deux autres classificateurs ANN (p< 0,05) alors que le RBF basé sur ROLS + D-opt ne le fait pas. Bien qu’aucune différence significative ne soit observée entre ces deux classificateurs différents basés sur RBF, le RBF-TLLH atteint une plus grande précision et produit une variance plus faible que le réseau RBF ROLS + D-opt, ce qui suggère que le RBF-TLLH proposé est plus précis et robuste. classificateur dans la détection de fatigue de conduite EEG dans ces deux classificateurs basés sur RBF.Tableau 1

TABLEAU 1. Précision moyenne (%) de la validation croisée 6 fois pour chaque sujet en utilisant différents classificateurs.Figure 6

ILLUSTRATION 6. Diagramme à barres des précisions moyennes lors de l’utilisation de différents classificateurs. *significativement différent du contrôle ( p < 0,05) ; **significativement différent du contrôle ( p < 0,005).

Pour évaluer plus en détail les performances de classification du RBF-TLLH proposé, six mesures comprenant le vrai positif (TP), le vrai négatif (TN), le faux positif (FP), le faux négatif (FN), la spécificité/le taux de vrai négatif [TNR = TN /(TN + FP)], et la sensibilité/taux de vrais positifs [TPR = TP/(TP + FN)] (Chai et al., 2017a ,b ), sont calculés à partir de tous les sujets et résumés dans le tableau 2. Comparé aux modèles ANN-BP et ANN-PSO, le modèle de réseau RBF-TLLH présente les meilleures performances quelles que soient la spécificité, la sensibilité et la précision. De plus, le modèle RBF-TLLH surpasse de manière significative le modèle RBF basé sur ROLS + D-opt en termes de sensibilité, démontrant la supériorité de l’approche proposée pour détecter la fatigue au volant. Comparé au RBF basé sur ROLS + D-opt, le modèle RBF-TLLH proposé atteint une spécificité légèrement inférieure, mais une précision et une sensibilité beaucoup plus élevées.Tableau 2

TABLEAU 2. Résultats de la classification de l’étatdefatiguevs. état d’alerte pour le jeu de validation.

L’analyse de la courbe des caractéristiques de fonctionnement du récepteur (ROC) est également effectuée et les résultats sont résumés à la Figure 7. La courbe ROC est un tracé de TPR par rapport au taux de faux positifs (spécificité FPR/1) en faisant varier différents rapports de seuil en tant que variable de balayage. Un modèle de classification aléatoire devrait montrer une ligne droite reliant (0, 0) à (1, 1) (ligne diagonale tiret-point sur la figure 7 ). Toute courbe ROC située dans le triangle inférieur droit indique que le classifieur est pire que la supposition aléatoire, tandis que la courbe ROC située dans le triangle supérieur gauche indique que le modèle fonctionne mieux que la supposition aléatoire (Fawcett, 2006Chai et al. , 2017b). L’aire sous la courbe (AUC) de la courbe ROC est ensuite calculée pour évaluer les performances du modèle. Comme le montre la figure 7, le RBF-TLLH proposé atteint la meilleure courbe ROC en haut à gauche et donne la valeur AUC la plus élevée (0,9199) parmi tous les classificateurs, démontrant les meilleures performances dans la détection de la fatigue au volant.Figure 7

ILLUSTRATION 7. Tracé des caractéristiques de fonctionnement du récepteur avec les valeurs d’aire sous la courbe pour différents modèles de classification : (1) réseau de neurones artificiels (ANN) utilisant l’algorithme de rétropropagation, (2) ANN utilisant l’optimisation de l’essaim de particules, (3) réseau de fonction de base radiale (RBF) utilisant Algorithme ROLS + D-opt et (4) réseau RBF utilisant la méthode de hiérarchie d’apprentissage à deux niveaux.

Discussion

L’EEG présente les avantages d’être non invasif et d’avoir une résolution temporelle élevée pour la mesure de l’activité cérébrale et a été largement considéré comme un bon indicateur de la transition entre les états d’alerte et de fatigue. La densité spectrale de puissance (PSD), qui convertit le domaine temporel des données EEG dans le domaine fréquentiel, a été largement utilisée dans les études traditionnelles de détection de fatigue basées sur l’EEG. Les signaux EEG peuvent alors être généralement divisés en cinq bandes, à savoir Delta (0,5–4 Hz), Theta (4–8 Hz), Alpha (8–13 Hz), Beta (13–30 Hz) et Gamma (30– 42 Hz), selon les caractéristiques de fréquence et d’amplitude ( Sikander et Anwar, 2019 ). Il a été constaté que l’augmentation des fuseaux de la bande alpha de l’EEG est associée à l’état de fatigue lorsque les participants se produisent dans l’environnement de conduite monotone réel (Simon et al., 2011 ). Il a également été démontré que l’EEG est sensible aux fluctuations de la vigilance et qu’il prédit la dégradation des performances due à une charge mentale soutenue. Lors de la tâche de conduite monotone, les bouffées EEG alpha seront dominantes dans les canaux EEG central et postérieur, ce qui est un signal de somnolence et de vigilance réduite ( Simon et al., 2011 ).

En prenant le sujet 1 et le sujet 3 comme exemples, la figure 8 montre les distributions PSD des bandes d’ondes alpha (8–13 Hz) et entières (1–45 Hz) des deux états (alerte et fatigue), respectivement. On peut observer que les distributions de PSD entre les états d’alerte et de fatigue montrent une différence caractéristique apparente. La différence de PSD entre les états d’alerte et de fatigue du sujet 3 est également plus significative par rapport aux distributions de PSD du sujet 1. Ceci est cohérent avec les résultats du tableau1lors de l’utilisation du classificateur RBF-TLLH, c’est-à-dire que la précision de classification moyenne obtenue dans le sujet 3 (100 %) est supérieure à celle obtenue dans le sujet 1 (89,58 %). De plus, en ce qui concerne les distributions PSD des sujets pendant l’état de fatigue, la bande alpha des signaux EEG transporte la majorité des informations parmi l’ensemble des distributions PSD. Ces résultats confirment que l’EEG présente une différence distincte de caractéristiques entre les états d’alerte et de fatigue, démontrant la faisabilité de l’utilisation de l’EEG comme approche efficace pour détecter la fatigue au volant.Figure 8

ILLUSTRATION 8. Distributions de densité spectrale de puissance (PSD) des signaux EEG pour les sujets 1 et 3.(A) Distributions PSD de la bande alpha des signaux EEG dans l’état d’alerte (a1) et dans l’état de fatigue (a2). Distributions PSD de la bande entière des signaux EEG en état d’alerte (a3) ​​et en état de fatigue (a4) pour le sujet 1. (B) Distributions PSD de la bande alpha des signaux EEG en état d’alerte (b1) et en état de fatigue (b2). Distributions PSD de toute la bande des signaux EEG dans l’état d’alerte (b3) et dans l’état de fatigue (b4) pour le sujet 3.

Bien que les signaux EEG fournissent des caractéristiques distinctes associées aux états d’alerte et de fatigue du cerveau, il est toujours nécessaire et critique de développer un classificateur performant afin de surveiller l’altération de l’état du cerveau pendant la conduite. Des études ont démontré que le réseau neuronal RBF est un classificateur prometteur en raison de sa structure de réseau linéaire dans les paramètres, de sa forte capacité d’approximation non linéaire et de sa propriété de généralisation nécessaire (Li Y. et al., 2017Bose et al., 2019Li et al., 2019). Les performances du réseau RBF dépendent fortement du nombre de nœuds cachés, des vecteurs considérables et des poids de sortie. Ces paramètres peuvent être informés à l’aide de certaines méthodes d’optimisation globale ; Cependant, l’optimisation directe de tous les paramètres à l’aide de l’algorithme d’optimisation globale est entraînée par le coût d’évaluation élevé et la convergence lente. Cette étude vise à améliorer les performances du modèle de classification de la fatigue au volant basé sur l’EEG en utilisant un réseau RBF à hiérarchie d’apprentissage à deux niveaux (RBF-TLLH). Le RBF-TLLH est intégré en intégrant l’algorithme ROLS+D-opt, qui combine les moindres carrés orthogonaux régularisés et le plan expérimental de D-optimalité au niveau inférieur et le PSO au niveau supérieur.

Au niveau inférieur du RBF-TLLH, l’algorithme d’apprentissage ROLS + D-opt est utilisé. Avec l’algorithme d’apprentissage ROLS + D-opt, tous les centres candidats du réseau RBF sont choisis parmi les vecteurs d’entrée des échantillons d’apprentissage, et les poids de sortie dans (1) peuvent être obtenus par un algorithme d’apprentissage linéaire (Chen et al., 2003 ). De plus, toute la procédure de construction du modèle de réseau RBF se termine automatiquement lorsque la condition (6) est atteinte. Par conséquent, il ne reste que trois paramètres dans l’algorithme ROLS + D-opt, à savoir la largeur uniforme, le paramètre de régularisation et le paramètre de pondération D-optimalité, à déterminer. Au niveau supérieur du RBF-TLLH, le PSO est utilisé. PSO est généralement caractérisé comme un algorithme avec un concept simple, une mise en œuvre facile et une bonne efficacité de calcul(Kennedy et Eberhart, 1995Shi et Eberhart, 1995 ). En tant que méthode d’optimisation intelligente en essaim, PSO a la caractéristique d’un calcul parallèle. Par conséquent, PSO est utilisé pour optimiser les trois paramètres de base de l’algorithme ROLS + D-opt au niveau supérieur, tandis que l’algorithme ROLS + D-opt construit automatiquement des réseaux RBF au niveau inférieur pour améliorer les performances de classification. Comme le montrent les tableaux 12, le réseau RBF obtenu à partir de la hiérarchie d’apprentissage proposée a démontré ses performances supérieures avec une précision de classification moyenne de 92,71 % et une valeur AUC-ROC de 0,9199 par rapport à d’autres méthodes, ce qui en fait un candidat prometteur pour la fatigue au volant. détection à l’avenir.

Les données expérimentales EEG ont été recueillies chez six sujets sains dans un environnement de conduite simulée et ont été utilisées pour évaluer les performances de l’algorithme RBF-TLLH proposé en le comparant à trois autres classificateurs. Les résultats montrent que le RBF-TLLH proposé permet d’obtenir une augmentation substantielle de la précision de la classification par rapport aux autres approches. En particulier, la sensibilité du modèle RBF-TLLH proposé est beaucoup plus élevée que les trois autres méthodes. Les performances de haute sensibilité suggèrent que le système de détection de fatigue de conduite basé sur RBF-TLLH est plus sensible dans la détection des états de fatigue, ce qui est essentiel pour assurer une conduite sûre.

Il convient de noter qu’avant la classification à l’aide de la méthode RBF-TLLH, l’ACP est nécessairement adoptée pour atténuer le problème de haute dimension des signaux EEG multicanaux. Dans cette étude, la méthode PCA a été appliquée pour la réduction de la dimensionnalité des signaux EEG, et les 10 premiers PC de chaque canal ont été sélectionnés pour obtenir une meilleure puissance de détection de la fatigue au volant. Apparemment, le nombre de PC conservés affecterait les performances de l’extraction des caractéristiques, ce qui affecterait davantage les performances du modèle de détection de la fatigue de conduite. Ce nombre de PC préservés est déterminé sur la base de calculs d’essais multiples pour s’assurer que les PC préservés représentent plus de 80 % de la variance totale des signaux d’origine.

Les performances de classification du réseau de neurones sont directement liées à sa structure de réseau et à ses poids. Pour le classificateur ANN, l’ANN avant à trois couches est formé avec 320 nœuds d’entrée, 30 nœuds cachés et un nœud de sortie, ce qui donne 9 661 paramètres de poids et de seuil à optimiser. Il est généralement très difficile de traiter un tel problème d’optimisation de grande dimension pour l’algorithme de rétropropagation (BP) principalement parce que l’algorithme BP basé sur le gradient est sensible aux paramètres initiaux et facilement piégé dans le problème des minima locaux ( McLoone et al., 1998). Le phénomène prématuré et de stagnation se produira également au cours de la dernière étape de l’évolution lorsque le PSO résoudra ce problème complexe. Ces lacunes entraînent finalement la mauvaise performance du classificateur basé sur ANN pour classer la fatigue au volant.

L’efficacité du calcul est également attribuée dans cette étude pour tester la efficacité de l’application du classificateur RBF-TLLH proposée dans la détection de la fatigue au volant en temps réel. Pendant le processus de classification en temps réel, sur la base des caractéristiques obtenues et des paramètres du réseau RBF pour le système de détection, le classificateur peut déterminer rapidement le résultat de la détection de la fatigue au volant grâce à l’équation (1) . Les résultats des tests ont montré que le temps d’exécution n’est que d’environ 0,011 s dans un environnement MATLAB [un processeur Intel(R) Core(TM) i7-4500U à 1,8 GHz, 8 Go de RAM]. Cela s’explique par le fait qu’il n’est pas nécessaire de réentraîner le classificateur pour l’opération de classification en temps réel. Plus précisément,

Malgré les améliorations obtenues dans cette étude, il existe des limites qui peuvent être évoquées dans les études futures. Seuls six sujets ont participé à l’expérience de simulation de la fatigue au volant, de sorte que la taille de l’échantillon de cette étude est faible. Nos efforts futurs seront attribués à la collecte d’un plus grand nombre d’échantillons provenant de tests de fatigue de conduite simulée ou réels afin d’évaluer plus en détail les performances du RBF-TLLH proposées dans la détection de la fatigue de conduite. En outre, les modèles de réseaux neuronaux profonds ont suscité une attention croissante ces dernières années en raison de leur puissante capacité d’ajustement non linéaire, de leur capacité de traitement de données de grande dimension, de leur grande tolérance aux pannes et de leur forte capacité d’extraction de caractéristiques. Le RBF-TLLH proposé sera comparé à des modèles de réseaux neuronaux profonds, tels que le LSTM, afin d’améliorer plus précisément ses performances dans la détection de la fatigue au volant. En outre, des recherches récentes sur l’analyse latente ont prouvé sa puissance dans l’extraction de caractéristiques, et cette méthode sera utilisée dans une étude future(Wu et al., 20192020 ). Enfin, l’étiquetage des états de conduite pour un échantillon de plus grande taille pourrait être coûteux et prendre du temps. Afin de résoudre ce problème, des algorithmes de classification semi-supervisée seront considérés dans les travaux futurs ( She et al., 201820192020abWu et al., 2018ab ).

Conclusion

Dans cette étude, un réseau RBF à hiérarchie d’apprentissage à deux niveaux a été développé pour la détection de la fatigue au volant basée sur l’EEG afin d’optimiser les performances de classification (fatigue vs alerte). Les résultats expérimentaux montrent que la méthode proposée atteint une performance de classification supérieure par rapport aux autres méthodes en termes de précision de prédiction et d’efficacité de calcul. En raison du nombre nettement inférieur de paramètres de base à déterminer pour la formation du classificateur RBF, cette approche proposée présente une excellente facilité d’utilisation et de grandes possibilités d’application potentielles pour la détection de la fatigue au volant à l’avenir.

Déclaration de disponibilité des données

Les données brutes soutenant les conclusions de cet article seront mises à disposition par les auteurs, sans réserve indue.

Déclaration d’éthique

Les études impliquant des participants humains ont été examinées et approuvées par l’hôpital provincial de réadaptation des accidents du travail du Guangdong. Les patients/participants ont fourni leur consentement éclairé écrit pour participer à cette étude.

Les contributions de l’auteur

ZR a conçu cette étude et a contribué à la conception expérimentale. ZR a effectué l’analyse informatique avec l’aide de BC et HZ. CW et YM ont contribué au recrutement des sujets et à la collecte de données. ZR, RL, YL et YZ ont analysé les résultats et préparé le manuscrit. Tous les auteurs ont examiné les résultats et approuvé le manuscrit final.

Financement

Cette étude a été soutenue en partie par la Fondation nationale des sciences naturelles de Chine (n° 51675358), le State Key Laboratory of Robotics and Systems (HIT) (n° SKLRS-2020-KF-01) et l’Université de Houston.

Conflit d’intérêt

Les auteurs déclarent que la recherche a été menée en l’absence de toute relation commerciale ou financière pouvant être interprétée comme un conflit d’intérêts potentiel.

Remerciements

Les auteurs tiennent à remercier le Dr Chuan Zhang pour sa discussion et ses commentaires utiles.

Références

Akerstedt, T., Peters, B., Anund, A., et Kecklund, G. (2005). Altération de la vigilance et des performances lors du retour à la maison après un quart de nuit : une étude sur simulateur de conduite. J. Sleep Res. 14, 17-20. doi : 10.1111/j.1365-2869.2004.00437.x

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Aljarah, I., Faris, H., Mirjalili, S., et AI-Madi, N. (2018). Formation de réseaux de fonctions de base radiale en utilisant un optimiseur basé sur la biogéographie. Calcul neuronal. Appl. 29, 529-553. doi : 10.1007/s00521-016-2559-2

Texte intégral CrossRef | Google Scholar

Artoni, F., Delorme, A., et Makeig, S. (2018). L’application de la réduction de la dimension aux données EEG par l’analyse en caractéristiques principales réduit la qualité de sa décomposition ultérieure en caractéristiques indépendantes. Neuroimage 175, 176-187. doi : 10.1016/j.neuroimage.2018.03.016

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Aruna, DB et Kalaivani, A. (2016). Système de détection et d’avertissement de fatigue du conducteur en temps réel basé sur un réseau de neurones flous utilisant des ondes EEG. Asian J. Res. Soc. Sci. Hum. 6, 791–812. doi : 10.5958/2249-7315.2016.00153.2

Texte intégral de la référence croisée | Google Scholar

Billings, SA et Zheng, GL (1995). Configuration d’un réseau de fonctions à base radiale à l’aide d’algorithmes génétiques. Réseau neuronal. 8, 877–890. doi : 10.1016/0893-6080(95)00029-Y

Texte intégral de la référence croisée | Google Scholar

Bose, R., Wang, H., Dragomir, A., Thakor, N., Bezerianos, A. et Li, J. (2019). Estimation de la fatigue de conduite continue basée sur la régression : vers une mise en œuvre pratique. IEEE Transac. Conn. Dév. Syst. 12, 323–331 doi : 10.1109/TCDS.2019.2929858

Texte intégral de la référence croisée | Google Scholar

Chai, R., Ling, SH, San, PP, Naik, GR, Nguyen, TN, Tran, Y., et al. (2017a). Amélioration de la classification de la fatigue du conducteur basée sur l’EEG à l’aide de réseaux de croyances clairsemés-profonds. De face. Neurosci. 11:103. doi : 10.3389/fnins.2017.00103

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Chai, R., Naik, GR, Nguyen, TN, Ling, SH, Tran, Y., Craig, A., et al. (2017b). Classification de la fatigue du conducteur avec composante indépendante par analyse de minimisation liée au taux d’entropie dans un système basé sur l’EEG. IEEE J. Biomed. Informer sur la santé. 21, 715–724. doi : 10.1109/JBHI.2016.2532354

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Chen, J., Ren, Z. et San, Y. (2008). Une hiérarchie d’apprentissage à deux niveaux pour les réseaux de fonctions à base radiale. Théorie du contrôle Appl. 25, 655–660. doi : 10.7641/j.issn.1000-8152.2008.4.012

Texte intégral de la référence croisée | Google Scholar

Chen, S., Chng, ES et Alkadhimi, K. (1996). Algorithme des moindres carrés orthogonaux régularisés pour la construction de réseaux de fonctions à base radiale. Int. J.Contr. 64, 829–837. doi: 10.1080/00207179608921659

Texte intégral de la référence croisée | Google Scholar

Chen, S., Hong, X. et Harris, C. (2003). Modélisation de régression à noyau creux utilisant des moindres carrés orthogonaux régularisés localement combinés et un plan expérimental D-optimal. IEEE Trans. Automat. Contre. 48, 1029-1036. doi : 10.1109/TAC.2003.812790

Texte intégral de la référence croisée | Google Scholar

Chen, S., Hong, X., Luk, BL et Harris, CJ (2009). Construction de réseaux de fonctions de base radiale accordables à l’aide de la sélection directe orthogonale. IEEE Transac. Syst. Homme Cybernet. Partie B 39, 457–466. doi : 10.1109/TSMCB.2008.2006688

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Chen, S., Wu, Y. et Luk, B. (1999). Optimisation d’algorithmes génétiques combinés et apprentissage par les moindres carrés orthogonaux régularisés pour les réseaux de fonctions à base radiale. IEEE Transac. Réseau neuronal. 10, 1239-1243. doi: 10.1109/72.788663

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

En ligneFawcett, T. (2006). Introduction à l’analyse ROC. Reconnaissance de modèle. Lett. 27, 861–874. doi : 10.1016/j.patrec.2005.10.010

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Gao, Y., Wang, X., Potter, T., Zhang, J. et Zhang, Y. (2020). Essai unique EEG Reconnaissance des émotions à l’aide de l’analyse de causalité/entropie de transfert de Granger. J. Neurosci. Methods 346:108904. doi : 10.1016/j.jneumeth.2020.108904

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

En ligneHong, X., et Harris, C. (2002). Conception et construction de la structure du modèle non linéaire à l’aide des moindres carrés orthogonaux et de la conception D-optimale. IEEE Transac. Réseau neuronal. 13, 1245–1250. doi : 10.1109/TNN.2002.1031959

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Hong, X., Harris, CJ, Chen, S. et Sharkey, PM (2003). Méthodes d’identification de modèles non linéaires robustes utilisant la régression directe. IEEE Transac. Syst. Homme Cybernet. Partie A Syst. Hum. 33, 514–523. doi : 10.1109/TSMCA.2003.809217

Texte intégral de la référence croisée | Google Scholar

En ligneHotelling, H. (1933). Analyse d’un complexe de variables statistiques en composantes principales. J. Educ. Psychol. 24, 417–441. doi : 10.1037/h0071325

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Hsieh, CS et Tai, CC (2013). Un système de détection de durée de clignement des yeux amélioré et portable pour avertir de la fatigue du conducteur. Instrument. Sci. Technol. 41, 429–444. doi : 10.1080/10739149.2013.796560

Texte intégral de la référence croisée | Google Scholar

Hu, S., et Zheng, G. (2009). Détection de la somnolence du conducteur avec des paramètres liés aux paupières par une machine à vecteurs de support. Système expert. Appl. 36, 7651–7658. doi : 10.1016/j.eswa.2008.09.030

Texte intégral de la référence croisée | Google Scholar

Huang, KC, Huang, TY, Chuang, CH, King, JT, Wang, YK, Lin, CT, et al. (2016). Un système de détection et d’atténuation de la fatigue basé sur l’EEG. Int. J. Neural Syst. 26:1650018. doi: 10.1142/S0129065716500180

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Jimenez-Pinto, J., et Torres-Torriti, M. (2012). Points saillants du visage et suivi des yeux pour une détection robuste de la somnolence. Robotica 30, 731–741. doi: 10.1017/S0263574711000749

Texte intégral de la référence croisée | Google Scholar

Jung, S., Shin, H. et Chung, W. (2014). Système de surveillance de la fatigue et de la somnolence du conducteur avec capteur d’électrocardiogramme intégré au volant. IET Intellig. Système de transport 8, 43–50. doi : 10.1049/iet-its.2012.0032

Texte intégral de la référence croisée | Google Scholar

Kennedy, J., et Eberhart, R. (1995). Optimisation des essaims de particules. Proc. ICNN’95 Int. Conf. Réseau neuronal. 4, 1942–1948. doi : 10.1109/ICNN.1995.488968

Texte intégral de la référence croisée | Google Scholar

Lever, J., Krzywinski, M. et Altman, N. (2017). Analyse des composants principaux. Nat. Méthode 14, 641–642. doi : 10.1038/nmeth.4346

Texte intégral de la référence croisée | Google Scholar

Li, C., et Liu, X. (2016). « Un réseau neuronal PSO-BP amélioré et son application à la prévision des tremblements de terre », dans 2016 Chinese Control and Decision Conference (CCDC) (Yinchuan : IEEE), 3434–3438. doi : 10.1109/CCDC.2016.7531576

Texte intégral de la référence croisée | Google Scholar

Li, Y., Cui, WG, Huang, H., Guo, YZ, Li, K. et Tan, T. (2019). Détection des crises d’épilepsie dans les signaux EEG à l’aide de réseaux de fonctions de base radiales multi-échelles clairsemés et de l’approche vectorielle de Fisher. Savoir. Syst. 164, 96–106. doi : 10.1016/j.knosys.2018.10.029

Texte intégral de la référence croisée | Google Scholar

Li, Y., Wang, XD, Luo, ML, Li, K., Yang, XF et Guo, Q. (2017). Classification des crises d’épilepsie des EEG à l’aide de fonctions de base radiales multi-échelles basées sur l’analyse temps-fréquence. IEEE J. Biomed. Informations sur la santé. 22, 386–397. doi : 10.1109/JBHI.2017.2654479

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Li, Z., Chen, L., Peng, J. et Wu, Y. (2017). Détection automatique de la fatigue du conducteur à l’aide d’informations sur les opérations de conduite pour la sécurité des transports. Capteurs 17:1212. doi : 10.3390/s17061212

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Ma, Y., Chen, B., Li, R., Wang, C., Wang, J., She, Q., et al. (2019). Détection de la fatigue au volant à partir de l’EEG à l’aide d’une méthode PCANet modifiée. Calcul. Intellig. Neurosci. 2019:4721863. doi: 10.1155/2019/4721863

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Ma, Y., Zhang, S., Qi, D., Luo, Z., Li, R., Potter, T., et al. (2020). Conduire la détection de la somnolence avec l’EEG à l’aide d’un algorithme de machine d’apprentissage extrême hiérarchique modifié avec optimisation de l’essaim de particules : une étude pilote. Électronique 9:775. doi : 10.3390/électronique9050775

Texte intégral de la référence croisée | Google Scholar

MacKayi, DJC (1992). Interpolation bayésienne. Calcul neuronal. 4, 415–447. doi : 10.1162/neco.1992.4.3.415

Texte intégral de la référence croisée | Google Scholar

Masic, N., et Pfurtscheller, G. (1993). Classification basée sur le réseau neuronal des données EEG d’un seul essai. Artef. Renseignement. Méd. 5, 503–513 doi : 10.1016/0933-3657(93)90040-A

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

McLoone, S., Brown, MD, Irwin, G. et Lightbody, A. (1998). Un algorithme de formation hybride linéaire / non linéaire pour les réseaux de neurones à anticipation. IEEE Transac. Réseau neuronal. 9, 669–684. doi: 10.1109/72.701180

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Michielsen, HJ, Vries, JD, Heck, GLV, de Vijver, FV et Sijtsma, K. (2004). Examen de la dimensionnalité de la fatigue : la construction de l’échelle d’évaluation de la fatigue (FAS). EUR. J. Psychol. Évaluer. 20, 39–48. doi : 10.1027/1015-5759.20.1.39

Texte intégral de la référence croisée | Google Scholar

Nguyen, T., Zhou, T., Potter, T., Zou, L. et Zhang, Y. (2019). Le réseau cortical de la régulation des émotions : aperçus de l’analyse d’intégration EEG-fMRI avancée. IEEE Trans. Méd. Imagerie 38, 2423–2433. doi: 10.1109/TMI.2019.2900978

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

O’Hanlon, JF, et Kelley, GR (1977). « Comparaison des performances et des changements physiologiques entre les conducteurs qui performent bien et mal lors d’une utilisation prolongée d’un véhicule », dans Vigilance. Série de conférences de l’OTAN, Vol 3, ed RR Mackie (Boston, MA : Springer). p. 189–202.

Google Scholar

Petković, D., Gocic, M., Shamshirband, S., Qasem, SN et Trajkovic, S. (2016) Réseau de fonctions à base radiale basé sur l’optimisation d’un essaim de particules pour l’estimation de l’évapotranspiration de référence. Théorique. Appl. Climatol. 125, 555–563. doi : 10.1007/s00704-015-1522-y

Texte intégral de la référence croisée | Google Scholar

Picot, A., Charbonnier, S. et Caplier, A. (2012). Détection en ligne de la somnolence à l’aide d’informations cérébrales et visuelles. IEEE Transac. Syst. Homme Cybern.Partie A Syst. Hum. 42, 764–775. doi : 10.1109/TSMCA.2011.2164242

Texte intégral de la référence croisée | Google Scholar

Sahayadhas, A., Sundaraj, K. et Murugappan, M. (2012). Détecter la somnolence du conducteur à l’aide de capteurs : bilan. Capteurs 12, 16937–16953. doi : 10.3390/s121216937

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Elle, Q., Chen, K., Luo, Z., Nguyen, T., Potter, T. et Zhang, Y. (2020a). Apprentissage actif à double critère pour les interfaces cerveau-ordinateur multiclasses. Calcul. Renseignement. Neurosci. 2020:3287589. doi: 10.1155/2020/3287589

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Elle, Q., Hu, B., Gan, H., Fan, Y., Nguyen, T., Potter, T., et al. (2018). Machine d’apprentissage extrême semi-supervisée sécurisée pour la classification des signaux EEG. Accès IEEE 6, 49399–49407. doi: 10.1109/ACCESS.2018.2868713

Texte intégral de la référence croisée | Google Scholar

Elle, Q., Hu, B., Luo, Z., Nguyen, T. et Zhang, Y. (2019). Une méthode de machine d’apprentissage extrême semi-supervisée hiérarchique pour la reconnaissance EEG. Méd. Biol. Ing. Calcul. 57, 147–157. doi : 10.1007/s11517-018-1875-3

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Elle, Q., Zou, J., Luo, Z., Nguyen, T., Li, R. et Zhang, Y. (2020b). Classification EEG d’imagerie motrice multi-classes utilisant une machine d’apprentissage extrême semi-supervisée basée sur la représentation collaborative. Méd. Biol. Ing. Calcul. 58, 2119–2130. doi : 10.1007/s11517-020-02227-4

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Shi, Y., et Eberhart, R. (1995). « Un optimiseur d’essaim de particules modifié », en 1998 IEEE International Conference on Evolutionary Computation Proceedings. IEEE World Congress on Computational Intelligence (Cat. No.98TH8360) (Anchorage, AK), 69–73. doi: 10.1109/ICEC.1998.699146

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Sikander, G., et Anwar, S. (2019). Systèmes de détection de la fatigue du conducteur : un bilan. IEEE Transac. Intellig. Le transport. Syst.s 20, 2339–2352. doi: 10.1109/TITS.2018.2868499

Texte intégral de la référence croisée | Google Scholar

Simon, M., Schmidt, EA, Kincses, WE, Fritzsche, M., Bruns, A., Aufmuth, C., et al. (2011). Mesures du fuseau EEG alpha comme indicateurs de la fatigue du conducteur dans des conditions de circulation réelles. Clin. Neurophysiol. 122, 1168–1178. doi : 10.1016/j.clinph.2010.10.044

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Vuckovic, A., Radivojevic, VCN, Chen, A. et Popovic, D. (2002). Reconnaissance automatique de la vigilance et de la somnolence à partir de l’EEG par un réseau de neurones artificiels. Méd. Ing. Phys. 24, 349–360. doi : 10.1016/S1350-4533(02)00030-9

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Wu, D., Luo, X., Shang, M., He, Y., Wang, G. et Wu, X. (2020). Un modèle de facteur latent sensible aux caractéristiques des données pour la prédiction de la qualité de service des services Web. IEEE Trans. Savoir. Data Eng. 32:1. doi : 10.1109/TKDE.2020.3014302

Texte intégral de la référence croisée | Google Scholar

Wu, D., Luo, X., Shang, M., He, Y., Wang, G. et Zhou, M. (2019). Un modèle de facteur latent profond pour les matrices de grande dimension et clairsemées dans les systèmes de recommandation. IEEE Transac. Syst Man Cybernet. Syst. 50, 1–12. doi : 10.1109/TSMC.2019.2931393

Texte intégral de la référence croisée | Google Scholar

Wu, D., Luo, X., Wang, G., Shang, M., Yuan, Y. et Yan, H. (2018a). Un cadre très précis pour la classification semi-supervisée auto-étiquetée dans les applications industrielles. IEEE Transac. Industrie. Inform. 14, 909–920. doi : 10.1109/TII.2017.2737827

Texte intégral de la référence croisée | Google Scholar

Wu, D., Shang, M., Luo, X., Xu, J., Yan, H., Den, W., et al. (2018b). Classification semi-supervisée par auto-apprentissage basée sur des pics de densité de données. Neuroinformatique 275, 180–191. doi : 10.1016/j.neucom.2017.05.072

Texte intégral de la référence croisée | Google Scholar

Yang, G., Lin, Y. et Bhattacharya, P. (2010). Un modèle de reconnaissance de la fatigue du conducteur basé sur la fusion d’informations et un réseau bayésien dynamique. Inf. Sci . 180, 1942–1954. doi : 10.1016/j.ins.2010.01.011

Texte intégral de la référence croisée | Google Scholar

Zaw, T., Tun, KMM et Oo, AN (2019). « Prévision des prix par modèle de réseau neuronal à rétropropagation », dans 2019 Conférence internationale sur les technologies de l’information avancées (ICAIT) (Yangon : IEEE), 84–89. doi : 10.1109/AITC.2019.8921396

Texte intégral de la référence croisée | Google Scholar

Zhang, L. et Pu, J. (2020). « Un réseau de neurones à rétropropagation amélioré dans la reconnaissance d’objets », en 2011 Conférence internationale IEEE sur l’automatisation et la logistique (ICAL) (IEEE), 507–511.

Google Scholar

Zhao, C., Zhao, M., Yang, Y., Gao, J., Rao, N. et Lin, P. (2017). La réorganisation des réseaux cérébraux humains modulée par la fatigue mentale motrice. IEEE J. Biomed. Informations sur la santé . 21, 743–755. doi : 10.1109/JBHI.2016.2544061

Résumé PubMed | Texte intégral de la référence croisée | Google Scholar

Mots-clés : détection de la fatigue au volant, électroencéphalographie, analyse en composantes principales, fonction de base radiale, réseau de neurones, classification

Citation : Ren Z, Li R, Chen B, Zhang H, Ma Y, Wang C, Lin Y et Zhang Y (2021) Détection de la fatigue au volant basée sur l’EEG à l’aide d’une fonction de base radiale de hiérarchie d’apprentissage à deux niveaux. De face. Neurorobot. 15:618408. doi : 10.3389/fnbot.2021.618408

Reçu : 16 octobre 2020 ; Accepté : 05 janvier 2021 ;
Publié : 11 février 2021.

Édité par:Mukesh Prasad , Université de technologie de Sydney, Australie

Revue par:Devika Chhachhiya , Maharshi Dayanand University, Inde

Di Wu , Chongqing Institute of Green and Intelligent Technology (CAS), Chine

Copyright © 2021 Ren, Li, Chen, Zhang, Ma, Wang, Lin et Zhang. Il s’agit d’un article en libre accès distribué sous les termes de la licence Creative Commons Attribution (CC BY) . L’utilisation, la distribution ou la reproduction dans d’autres forums est autorisée, à condition que le ou les auteurs originaux et le ou les titulaires des droits d’auteur soient crédités et que la publication originale dans cette revue soit citée, conformément à la pratique académique acceptée. Aucune utilisation, distribution ou reproduction non conforme à ces conditions n’est autorisée.

*Correspondance : Yingchun Zhang, yzhang94@uh.edu

Avis de non-responsabilité : toutes les affirmations exprimées dans cet article sont uniquement celles des auteurs et ne représentent pas nécessairement celles de leurs organisations affiliées, ni celles de l’éditeur, des éditeurs et des réviseurs. Tout produit pouvant être évalué dans cet article ou toute réclamation pouvant être faite par son fabricant n’est ni garanti ni approuvé par l’éditeur.

Une double incompréhension médicale et administrative

Dr Alain Refrais
sos-covid-long.fr

Ce cri du cœur ne fait que traduire le désarroi et parfois le désespoir des patients atteints du covid long. Nous médecins, le percevons chaque jour devant une maladie récente, mal connue, mal comprise mais terriblement déroutante, sournoise et invalidante.

Nos patients luttent contre des symptômes diminuant fortement leurs capacités intellectuelles et physiques, limitant leur activité à quelques heures, voire quelques dizaines de minutes par jour. Toute tentative d’outrepasser ces limites se soldant par des douleurs violentes, malaises, et par une fatigue irrépressible imposant un repos couché de plusieurs heures. Nos patients sont devenus incapables d’assumer leurs charges familiales et professionnelles.

La reconnaissance « officielle” de la maladie par les autorités de tutelle le 15 mars 2022 est loin d’avoir été totalement intégrée par les services médicaux des Caisses, de médecine du travail ou d’invalidité.

Il en est malheureusement de même pour la médecine de ville qui, par sa
nature, devrait être plus proche des patients et ne pas classer trop facilement en psycho-somatique une maladie qu’elle ne comprend pas.

Nous sommes donc devant une double incompréhension médicale et administrative.
Que pouvons-nous faire en tant que médecin ?

  • D’abord les écouter. Nos patients font face aux doutes et même parfois aux sarcasmes de leur entourage, de leur employeur, de l’administration et même du corps médical.
  • Faire preuve d’humilité en reconnaissant qu’il n’existe pas actuellement
    de médicament efficace contre le covid long. Seuls, ceux qui s’attaquent aux symptômes montrent plus ou moins d’efficacité.
  • Ensuite, explorer ces symptômes, faire les examens nécessaires pour les objectiver, et traiter lorsque l’on découvre : embolies pulmonaires, atteintes cardiaques, Sama.
  • Quantifier ces symptômes afin d’en suivre l’évolution.
  • Il faut porter une attention particulière à ceux qui présentent une dangerosité extrême comme l’allongement des temps de réaction, les pertes de concentration et la somnolence au volant. Ces troubles pas toujours spontanément cités par les patients, sont déjà responsables de nombreux accidents.
  • Puis les inciter à organiser leur vie en fonction de leur « énergie disponible” en y associant, si possible, une réhabilitation physique et intellectuelle adaptée les encourageant à progresser et à ne pas baisser les bras au risque de sombrer dans la dépression.
  • En complément indispensable, leur fournir les éléments objectifs de diagnostic et de contestation opposables aux administrations qui leur refusent le statut de malades puis celui de handicapés quand ils arrivent en fin de droits.

Enfin, et c’est l’espoir que nous avons tous, que les milliers d’équipes de chercheurs et de patients qui se battent contre le Covid Long parviennent à en analyser intégralement les mécanismes intimes et à proposer des traitements efficaces pour en bloquer les conséquences dramatiques et à en empêcher l’apparition.

Docteur Alain REFRAIS

Le Covid long, maladie méconnue dans les entreprises

Alors qu’elle concerne plus de 2 millions de Français, peu d’organisations ont fait une place à cette affection complexe au sein de leur politique de santé au travail.

Par François Desnoyers Publié le 28 septembre 2022 à 05h00 Mis à jour le 28 septembre 2022 à 17h52

La Défense, Paris, le 7 octobre 2020.
La Défense, Paris, le 7 octobre 2020. CHRISTOPHE ARCHAMBAULT / AFP

Il décrit cette ronde infernale comme « un manège ». Extrême fatigue, problèmes de concentration, de mémorisation, courbatures, essoufflement… Au total, Gérard (le prénom a été modifié), cadre dans une société spécialisée dans les ressources humaines, a recensé quarante-trois symptômes. Depuis la fin 2020, il est touché par une forme grave de Covid long – un terme qui désigne la persistance de séquelles plusieurs semaines voire mois après avoir contracté le virus – et voit les souffrances s’enchaîner d’un jour à l’autre, de manière aléatoire.

Après dix-sept mois d’arrêt, il a repris le travail début mai, en mi-temps thérapeutique. « La situation est compliquée au bureau », résume-t-il. En premier lieu parce que « [sa] maladie ne se voit pas : c’est un handicap invisible ». Il raconte le regard suspicieux d’un collègue, l’incrédulité de sa responsable hiérarchique, pour qui une reprise à temps plein aurait été préférable. « Elle ne s’intéresse pas à mes problèmes de santé et croit que je suis dans un état dépressif. » Gérard estime aujourd’hui avoir été « placardisé ». « Mon mi-temps ne me permettant pas de réaliser des procédures de recrutement complètes, on m’a confié des tâches administratives que je réalisais au début de ma carrière », déplore-t-il. Lire aussi : Article réservé à nos abonnés « Santé psychologique au travail et Covid-19 » : des pistes pour faire face au bouleversement de la vie professionnelle

Si elle est peu évoquée en entreprise, la maladie concerne pourtant « une part importante de la population française », indique Santé publique France. Son étude, publiée au printemps, précise ainsi que 2,06 millions de personnes de plus de 18 ans étaient atteintes d’une affection post-Covid-19 début avril, en se fondant sur les critères de l’Organisation mondiale de la santé (symptômes présents au moins trois mois après l’infection).

Les personnes touchées en conviennent : le Covid long est une maladie largement méconnue en entreprise. Cela peut entraîner, parfois, des tensions, comme dans la société de Gérard. Plus généralement, cette ignorance n’incite pas à la discussion, et place fréquemment les malades en situation d’isolement. Lire aussi : Article réservé à nos abonnés Le monde du travail à l’heure des grandes solitudes

Ils pâtissent du manque de recul sur le Covid long, mais aussi de sa complexité, la maladie pouvant prendre de multiples formes d’une intensité variable (fatigue extrême, troubles digestifs, perte d’attention, troubles neurologiques, problème de vue…). Au total, 203 symptômes ont été recensés. Un collectif de malades, l’association ApresJ20, déplore en outre un manque de communication des pouvoirs publics sur la question.

Des situations très diverses

Le sujet n’est donc pas de ceux qui animent les équipes RH. « Je n’ai pas de remontées et de questionnement des directeurs des ressources humaines à ce propos, je n’en ai pas entendu parler », résume Benoît Serre, vice-président de l’association nationale des DRH. « La question n’est vraiment pas prise en main par les entreprises », abonde le cadre supérieur d’un grand groupe.

Grappes de symptômes et Travail

Séquelles post-aiguës du covid-19 six à 12 mois après l’infection : étude basée sur la population

BMJ 2022 ; 379 doi : https://doi.org/10.1136/bmj-2022-071050 (Publié le 13 octobre 2022)Citer ceci comme suit : BMJ 2022;379:e071050

  1. Raphael S Peter , chercheur associé principal 1 ,   
  2. Alexandra Nieters , professeure associée 2 ,   
  3. Hans-Georg Kräusslich , professeur 3 ,   
  4. Stefan O Brockmann , chef 4 ,   
  5. Siri Göpel , médecin -chef 5 ,   
  6. Gerhard Kindle , chercheur associé senior 2 ,   
  7. Uta Merle , médecin-chef 6 ,   
  8. Jürgen M Steinacker , professeur 7 ,   
  9. Dietrich Rothenbacher , professeur 1 ,   
  10. Winfried V Kern , professeur 8
  11. au nom du groupe d’étude EPILOC Phase 1
  1. Correspondance avec : WV Kern winfried.kern@uniklinik-freiburg.de (ou @WinfriedKern sur Twitter)
  • Accepté le 22 août 2022

Résumé

Objectifs Décrire les symptômes et les groupes de symptômes du syndrome post-covid six à 12 mois après une infection aiguë, décrire les facteurs de risque et examiner l’association des groupes de symptômes avec l’état de santé général et la capacité de travail.

Conception Étude transversale basée sur la population

Contexte Adultes âgés de 18 à 65 ans avec une infection confirmée par le SRAS-CoV-2 entre octobre 2020 et mars 2021 notifiée aux autorités sanitaires dans quatre régions géographiquement définies du sud de l’Allemagne.

Participants 50 457 patients ont été invités à participer à l’étude, dont 12 053 (24 %) ont répondu et 11 710 (58,8 % (n = 6 881) femmes ; âge moyen 44,1 ans ; 3,6 % (412/11 602) précédemment admis avec covid-19 ; durée moyenne de suivi 8,5 mois) pourraient être inclus dans les analyses.

Principaux critères de jugement : Fréquences des symptômes (six à 12 mois après versus avant l’infection aiguë), gravité et regroupement des symptômes, facteurs de risque et associations avec le rétablissement général de la santé et la capacité de travail.

Résultats Les groupes de symptômes fatigue (37,2 % (4213/11 312), intervalle de confiance à 95 % 36,4 % à 38,1 %) et troubles neurocognitifs (31,3 % (3561/11 361), 30,5 % à 32,2 %) ont le plus contribué à réduire le rétablissement de la santé et la capacité de travail, mais les symptômes thoraciques, l’anxiété/la dépression, les maux de tête/vertiges et les syndromes douloureux étaient également prévalents et pertinents pour la capacité de travail, avec quelques différences selon le sexe et l’âge. En considérant les nouveaux symptômes avec au moins une altération modérée de la vie quotidienne et ≤ 80 % de récupération de l’état général ou de la capacité de travail, l’estimation globale du syndrome post-covid était de 28,5 % (3289/11 536, 27,7 % à 29,3 %) parmi les participants ou au moins 6,5 % (3 289/50 457) dans la population adulte infectée (en supposant que tous les non-répondeurs s’étaient complètement rétablis). La valeur réelle est susceptible de se situer entre ces estimations.

Conclusions Malgré la limitation d’un faible taux de réponse et d’éventuels biais de sélection et de rappel, cette étude suggère un fardeau considérable de grappes de symptômes post-aigus autodéclarés et de séquelles possibles, notamment la fatigue et les troubles neurocognitifs, six à 12 mois après le SRAS-CoV aigu -2 infection, même chez les adultes jeunes et d’âge moyen après une infection bénigne, avec un impact substantiel sur la santé générale et la capacité de travail.

Enregistrement de l’essai Registre allemand des études cliniques DRKS 00027012.

Introduction

Le SRAS-CoV-2 a provoqué la pandémie virale de covid-19 avec des conséquences considérables, y compris une crise sanitaire mondiale. Bien que l’infection respiratoire soit la principale manifestation clinique, le covid-19 est considéré comme une maladie systémique multi-organes qui comprend les poumons, le cœur, le système vasculaire, le cerveau et d’autres systèmes d’organes. 2 La plupart des infections sont bénignes ou même asymptomatiques, en particulier chez les enfants et les adolescents, et la probabilité d’une maladie grave et la nécessité d’une hospitalisation augmentent considérablement avec l’âge et la comorbidité. 4 La mortalité à 30 jours parmi les personnes admises à l’hôpital en Allemagne avec le covid-19 dans une étude de cohorte nationale sur les données de réclamations (première vague) était de 24 % dans l’ensemble et de 53 % chez les patients nécessitant une ventilation. 5

Outre la morbidité et la mortalité en phase aiguë, des problèmes de santé post-aigus et des séquelles ont été signalés chez les survivants du covid-19. Selon une revue, jusqu’à 80% des patients atteints de covid-19 continuent de se plaindre de problèmes de santé après une infection aiguë, et plus de 50 effets indésirables ont été signalés. 6 La physiopathologie de nombreux symptômes post-aigus est restée non résolue. Les symptômes peuvent durer des semaines et représenter une reconvalescence retardée ou peuvent persister ou se reproduire même trois mois ou plus dans la phase post-aiguë. 10

Alors que le « long covid » a été défini comme des symptômes persistants au-delà de quatre semaines après une infection aiguë, l’état post-covid-19 ou le syndrome post-covid est considéré chez les patients présentant des symptômes durant au moins deux mois, inexpliqués par un diagnostic alternatif, et survenant trois mois après l’infection aiguë. 11 Jusqu’à présent, très peu d’études à grande échelle ont examiné la symptomatologie et la prévalence du syndrome post-covid au-delà de six mois après une infection aiguë et son association avec la qualité de vie, le bien-être et la capacité de travail liés à la santé dans un échantillon non clinique basé sur la population .

Les principaux objectifs de cette étude étaient de décrire les symptômes et les groupes de symptômes du syndrome post-covid six à 12 mois après une infection aiguë, de décrire les facteurs de risque et d’examiner l’association des groupes de symptômes avec la santé générale et la capacité de travail. Les données ont été générées dans une vaste étude basée sur la population dans le sud de l’Allemagne impliquant des personnes âgées de 18 à 65 ans atteintes d’une infection par le SRAS-CoV-2 confirmée par la réaction en chaîne par polymérase (PCR) et notifiées aux autorités sanitaires locales.

Méthodes

EPILOC (Epidemiology of Long Covid) est une étude non interventionnelle basée sur la population menée dans quatre régions définies administrativement et géographiquement dans l’État fédéral du Bade-Wurtemberg, dans le sud-ouest de l’Allemagne. L’étude a inclus des personnes âgées de 18 à 65 ans qui ont été testées positives lors d’un test PCR SARS-CoV-2 entre le 1er octobre 2020 et le 1er avril 2021 et dont l’infection a été notifiée (conformément à la loi allemande sur la protection contre les infections) aux autorités locales de santé publique responsables pour les quatre régions suivantes : Fribourg (ville de Fribourg, arrondissement de Breisgau-Hochschwarzwald, arrondissement d’Emmendingen), Heidelberg (ville de Heidelberg, arrondissement Rhin-Neckar), Tübingen (ville de Tübingen, ville de Reutlingen, arrondissement de Zollernalb), et Ulm (ville d’Ulm, arrondissement Alb-Donau, arrondissement de Heidenheim,

Les personnes survivantes ont été directement contactées par les autorités locales de santé publique par courrier postal entre fin août et septembre 2021. Tous les documents de l’étude (c’est-à-dire les informations sur les participants, le formulaire de consentement éclairé et un questionnaire standardisé) ont été inclus dans la lettre. Les participants ont été invités à fournir un consentement éclairé écrit et à envoyer le matériel d’étude (port payé) au bureau du fiduciaire du centre d’étude du Centre médical universitaire de Fribourg. L’administrateur a séparé la déclaration de consentement éclairé du questionnaire rempli et a transmis les questionnaires au centre de gestion des données de l’Université d’Ulm. Cette analyse suit les recommandations STROBE.

Sources de données et mesures

Le questionnaire standardisé comprenait des caractéristiques sociodémographiques, des facteurs liés au mode de vie et des comorbidités médicalement assistées déjà présentes avant l’infection aiguë par le SRAS-CoV-2. Elle a interrogé la présence de 30 symptômes spécifiques avant et pendant (et liés à) la phase d’infection aiguë ainsi qu’au moment de remplir le questionnaire (c’est-à-dire six à 12 mois après l’infection aiguë) par des réponses oui/non. D’autres symptômes actuels nouveaux ou en cours pourraient être ajoutés dans un champ de texte libre. Si l’un des symptômes était présent au moment de l’enquête, nous avons demandé un traitement médical associé (oui/non) et si et dans quelle mesure chaque symptôme perturbait la vie et les activités quotidiennes (« combien vous sentez-vous gêné par cela au moment de l’enquête ? moment ? ») à l’aide d’une échelle de type Likert à quatre points (aucun, léger, modéré ou fort).

Pour l’évaluation de la fatigue (déjà incluse dans la liste des symptômes), nous avons en outre utilisé l’échelle d’évaluation de la fatigue à 10 items. 12 Un score seuil ≥22 est utilisé pour déterminer la présence d’une fatigue importante et un score seuil ≥35 pour une fatigue extrême. Pour évaluer la capacité de travail, nous avons adapté les questions de la forme abrégée de l’indice de capacité de travail. 13Les participants ont évalué leur rétablissement général actuel et leur capacité de travail actuelle par rapport à la situation avant l’infection aiguë par le SRAS-CoV-2 sur une échelle de 10 points (échelons de 10 % de 0 % à 100 %). Le libellé de la question était « Quel pourcentage de votre capacité de travail initiale (avant votre test corona positif) avez-vous retrouvé aujourd’hui ? » L’utilisation de cette question unique a montré des relations similaires avec les congés de maladie et la qualité de vie liée à la santé dans les études professionnelles. 14 De la même manière, nous avons évalué l’état de santé général actuel par rapport à la situation avant l’infection aiguë par le SRAS-CoV-2 avec la question « Quel pourcentage de votre état de santé général (avant votre test corona positif) avez-vous retrouvé aujourd’hui ? »

Pour évaluer la qualité de vie actuelle liée à la santé, nous avons utilisé le questionnaire SF-12 évaluant les composantes de la qualité de vie liée à la santé physique et mentale ( https://www.rand.org/health-care/surveys_tools/mos/12-item -short-form.html ). Peu de données manquaient dans l’ensemble de données d’analyse (le nombre le plus élevé de valeurs manquantes observées était de 3,3 % pour le cancer en tant que comorbidité), nous n’avons donc procédé à aucune imputation.

Méthodes statistiques

Nous avons évalué les caractéristiques de la population étudiée de manière descriptive. Nous avons obtenu la fréquence relative des symptômes individuels avant et pendant l’infection aiguë et au moment de l’enquête (c’est-à-dire, six à 12 mois après l’infection index) et calculé les différences de prévalence et les rapports de prévalence relative (à la fois actuelle par rapport à avant infection aiguë), incluant un intervalle de confiance à 95 %. Nous avons également fourni des représentations stratifiées par sexe et par âge.

Nous avons utilisé une approche en deux étapes pour identifier les groupes de symptômes (absents avant l’infection par le SRAS-CoV-2). Premièrement, nous avons identifié des symptômes actuels fortement corrélés (absents avant l’infection aiguë par le SRAS-CoV-2) en utilisant une analyse exploratoire des facteurs polychoriques (utilisant la rotation oblimin) basée sur la sévérité des symptômes (absents, pas de déficience, déficience légère, déficience modérée, ou forte déficience). Pour identifier le nombre idéal de facteurs, nous avons utilisé une analyse « parallèle ». 15Deuxièmement, nous avons inclus chaque symptôme dans le groupe (identifié dans la première étape comme facteur) pour lequel sa charge factorielle était la plus élevée. Nous avons visualisé les clusters de symptômes identifiés au moyen d’un réseau de cooccurrence à l’aide de Gephi 0.9.2. De plus, en tant qu’analyse de sensibilité, nous avons visualisé ces groupes en considérant uniquement les symptômes de grade modéré ou fort.

Nous avons calculé les ratios de prévalence pour les groupes de symptômes (avec des intervalles de confiance à 95 %) en fonction de caractéristiques pertinentes possibles (âge, sexe, éducation, statut tabagique, indice de masse corporelle, temps écoulé depuis le test PCR positif, gravité de l’infection aiguë et conditions préexistantes) , mutuellement ajustés. Nous avons utilisé un modèle linéaire (ajusté pour la présence d’autres groupes de symptômes) pour estimer l’association de chaque groupe de symptômes actuel avec la perte de l’état de santé général et de la capacité de travail par rapport à la pré-infection. Nous avons calculé la perte attribuable comme la perte associée multipliée par la prévalence du groupe de symptômes. Nous avons estimé les intervalles de confiance à 95 % correspondants pour la déficience/perte attribuable en utilisant un bootstrap paramétrique.

De plus, nous avons calculé des estimations de prévalence (en pourcentages) du syndrome post-covid selon différents critères pour les définitions de cas possibles comme la prévalence brute, la prévalence standardisée selon l’âge et le sexe (selon la répartition selon l’âge et le sexe de la population invitée) et le minimum prévalence possible (sous l’hypothèse extrême que tous les non-répondants se sont complètement rétablis et étaient exempts de symptômes au moment de l’enquête).

Nous avons utilisé des modèles de Poisson pour estimer la prévalence, les rapports de prévalence et les différences de prévalence. Tous les intervalles de confiance sont basés sur des erreurs types robustes, tenant compte de la dispersion possible et de la nature corrélée des données en cas de comparaison des symptômes avant et après une infection aiguë. Nous n’avons procédé à aucune imputation pour les valeurs manquantes. Nous avons utilisé le progiciel statistique SAS (version 9.4) ou R version 4.1.2 pour les analyses statistiques.

Participation des patients et du public

Cette étude a été menée en réponse rapide à la pandémie de covid-19, une urgence de santé publique de portée nationale et internationale. Ni les patients ni les membres du public n’ont été directement impliqués dans la conception, la conduite ou le compte rendu de cette recherche. Nous savions, grâce à l’engagement du grand public et des groupes de soutien aux patients, que des informations supplémentaires sur le pronostic à moyen et long terme du syndrome post-covid étaient souhaitées.

Résultats

Au total, 50 457 adultes infectés par le SRAS-CoV-2 ont été invités à participer à l’étude, parmi lesquels 12 053 (24 %) ont répondu et 11 710 ont fourni au moins des informations sur l’âge et le sexe (voir l’organigramme de l’étude dans la figure supplémentaire A ) et ont été inclus dans l’analyse. Le délai moyen entre le test PCR initial positif et le moment de l’enquête était de 8,5 (ET 1,6) mois.

Comme indiqué dans le tableau 1, l’âge moyen des participants était de 44,1 (ET 13,7) ans et un peu plus étaient des femmes (58,8 % ; 6881/11 710) que des hommes. La plupart des participants étaient nés en Allemagne (88,7 % ; 10 355/11 668), avaient la nationalité allemande (94,1 % ; 11 004/11 688), venaient de zones urbaines (84,2 % ; 9 575/11 365) et étaient entrés à l’université. qualification (51,9% ; 6065/11 678). Plus de la moitié des participants ont déclaré un emploi à temps plein avant la pandémie (56,8 % ; 6 608/11 628). Les problèmes de santé chroniques préexistants signalés comprenaient les troubles musculo-squelettiques (28,9 % ; 3310/11 448), les troubles cardiovasculaires (17,4 % ; 1992/11 477), les troubles neurologiques et sensoriels (16,2 % ; 1855/11 480) et les maladies respiratoires ( 12,1 % ; 1385/11 467), entre autres. La plupart des participants (77,5 % ; 8988/11 602) n’ont pas eu besoin de soins médicaux pour l’infection aiguë précédente par le SRAS-CoV-2, 19.tableau 1 ).

Tableau 1 

Caractéristiques de la population étudiée. Les valeurs sont des nombres (pourcentages) sauf indication contraire

ableau 1

Caractéristiques de la population étudiée. Les valeurs sont des nombres (pourcentages), sauf indication contraire.

CaractéristiqueNonValeur
Âge moyen (SD), années11 71044,1 (13,7)
Groupe d’âge, années :11 710
<302474 (21.1)
30-<402158 (18.4)
40-<502075 (17,7)
50-<603443 (29,4)
≥601560 (13,3)
Le sexe :11 710
Hommes4829 (41.2)
Femme6881 (58,8)
État civil :11 492
Simple3425 (29,8)
Marié/vivant ensemble7563 (65,8)
Vivre séparément368 (3.2)
Veuf ou veuve136 (1.2)
Diplôme d’entrée à l’université :11 678
Oui6065 (51,9)
Non5613 (48.1)
Lieu de naissance :11 668
Allemagne10 355 (88,7)
Autre1313 (11.3)
Nationalité :11 688
allemand11 004 (94,1)
Autre684 (5,9)
Lieu de résidence :11 365
Principalement urbaine7246 (63,8)
Partiellement urbain2329 (20,5)
Principalement rural1790 (15,8)
Emploi pré-pandémique :11 628
Temps plein6608 (56,8)
Temps partiel3220 (27,7)
Études/formation professionnelle1143 (9.8)
Aucun657 (5,7)
Emploi actuel :11 651
Temps plein6335 (54,4)
Temps partiel3215 (27,6)
Études/formation professionnelle1031 (8.8)
Aucun1070 (9.2)
Statut de fumeur :11 678
Fumeur actuel1192 (10.2)
Ancien fumeur2882 ​​(24,7)
Jamais fumé7604 (65,1)
Indice de masse corporelle moyenne (SD)11 61926,1 (5,3)
Obèse (indice de masse corporelle ≥30)11 6192171 (18,7)
Conditions préexistantes :
Troubles musculo-squelettiques (y compris les rhumatismes)11 4483310 (28,9)
Troubles cardiovasculaires (dont hypertension)11 4771992 (17,4)
Troubles neurologiques ou sensoriels11 4801855 (16.2)
Troubles métaboliques11 5542014 (17,4)
Les troubles mentaux11 4791470 (12,8)
Maladies respiratoires11 4671385 (12.1)
Maladies dermatologiques11 5471257 (10.9)
Cancer11 323386 (3.4)
Temps moyen (ET) depuis le test PCR positif, mois11 5218,5 (1,6)
Traitement de l’infection aiguë par le SRAS-CoV-2 :11 602
Pas de soins médicaux8988 (77,5)
Soins ambulatoires2202 (19.0)
Soins hospitaliers (sans soins intensifs)315 (2,7)
Soins intensifs97 (0,8)
Vacciné (première injection) avant test PCR positif :11 431
Oui220 (1,9)
Non11 211 (98,1)

PCR = réaction en chaîne par polymérase ; SD = écart type.

Symptômes et groupes de symptômes dérivés

La fréquence du symptôme signalé aux trois moments était très différente dans l’ensemble (figure supplémentaire B), selon les catégories d’âge et le sexe (figure supplémentaire C), et également en fonction du niveau de déficience, montrant des niveaux de déficience plus élevés chez les femmes que chez les hommes pour la plupart des nouveaux symptômes et concernant le traitement médical (figure complémentaire D). Certains symptômes, comme les vomissements, les nausées, les douleurs abdominales, la diarrhée, les frissons, la fièvre et les éruptions cutanées, étaient rares et contribuaient peu à la symptomatologie du syndrome post-covid, comme c’était le cas pour les symptômes post-aigus ajoutés en texte libre (la plupart fréquents : battements cardiaques anormaux et troubles de la vision), qui ont été mentionnés par < 1 % des répondants (données en texte libre non présentées).

Les participants présentant deux symptômes ou plus étaient, en moyenne, légèrement plus âgés (45,4 v 42,5 ans), plus souvent des femmes (64,5 % (3891/6030) v 52,6 % (2889/5489)), plus souvent obèses (21,9 % (1313/ 5984) v 14,9% (813/5446)), et ont eu besoin de soins médicaux pendant la phase aiguë de l’infection plus souvent (32,6% (1948/5976) v 11,4% (622/5445)) par rapport aux participants signalant un ou aucun symptôme encore présent (tableau complémentaire A).

Compte tenu du taux de réponse relativement faible et des résultats moins fiables pour les taux de prévalence absolus, nous nous sommes davantage concentrés sur la façon dont les symptômes se sont regroupés. Nous avons constaté que plusieurs des 30 nouveaux symptômes post-aigus étaient fortement corrélés et pouvaient être combinés en 13 groupes de symptômes ( fig 1). Les symptômes individuels d’épuisement physique rapide et de fatigue chronique, par exemple, ont été combinés dans le groupe « fatigue », qui était le groupe de symptômes le plus courant chez les participants (37,2 % ; 4 213/11 312), suivi de « troubles neurocognitifs » avec une prévalence de 31,3 % (3561/11 361), « symptômes pulmonaires » (30,2 % ; 3443/11 403), « troubles de l’odorat ou du goût » (23,6 % ; 2661/11 254) et « anxiété/dépression » (21,1 % ; 2422/11 485). Ce classement restait similaire lorsque l’on n’incluait que les symptômes d’atteinte modérée ou forte, même si la prévalence était plus faible (figure complémentaire E). La fatigue autodéclarée en tant que groupe de symptômes avec ses degrés d’interférence avec la vie quotidienne était bien corrélé avec les scores du questionnaire normalisé de l’échelle d’évaluation de la fatigue (tableau supplémentaire B).

Fig. 1

Fig. 1

Réseau de cooccurrence de grappes de symptômes 6 à 12 mois après une infection aiguë. Les cercles extérieurs représentent les symptômes individuels. La zone du cercle représente la proportion de patients présentant ce symptôme. Ceux-ci sont liés à des cercles intérieurs, qui représentent des groupes de symptômes. La largeur des lignes de liaison représente à nouveau la proportion de patients présentant ce symptôme. La zone du cercle pour les grappes représente la proportion de patients présentant au moins un symptôme de cette grappe. Les liens centraux entre les groupes de symptômes représentent la cooccurrence des groupes de symptômes. La largeur du lien représente le degré de cooccurrence. Basé sur les données de 11 536 participants. Seuls les symptômes non présents avant l’infection aiguë par le SRAS-CoV-2 ont été pris en compte

Nous avons également examiné les modèles de cooccurrence entre les grappes. Fait intéressant, nous avons constaté que les troubles de l’odorat ou du goût étaient le groupe avec la cooccurrence la plus faible avec tout autre groupe de symptômes (figure F supplémentaire). La fatigue, en tant que groupe de symptômes le plus répandu, coapparaissait fréquemment avec des troubles neurocognitifs et des symptômes thoraciques.

Associations de variables sociodémographiques et autres avec des groupes de symptômes

Nous avons exploré les caractéristiques associées aux 13 groupes de symptômes (tableau supplémentaire C). Les modèles mutuellement ajustés comprenaient des variables démographiques et de style de vie, la gravité de l’infection aiguë, le temps écoulé depuis l’infection et les comorbidités préexistantes. Il est important de noter que le temps écoulé depuis l’infection aiguë n’a montré aucune association avec des groupes de symptômes (à l’exception d’une faible association avec une altération de l’odorat/du goût). L’association constante la plus forte concernait les soins ambulatoires ou hospitaliers initiaux par rapport à l’absence de soins médicaux pendant l’infection aiguë (en tant qu’indicateur de la gravité de l’infection initiale), en particulier pour les éruptions cutanées/paresthésies, les frissons/fièvre et la perte de cheveux. La deuxième association constante la plus forte concernait le sexe féminin.

L’indice de masse corporelle et le tabagisme (en particulier le statut de fumeur actuel) semblaient également être des facteurs de risque pour plusieurs groupes de symptômes. L’augmentation de l’âge était un facteur de risque de fatigue, de troubles neurocognitifs et de douleurs musculo-squelettiques (entre autres). Les troubles musculo-squelettiques et mentaux préexistants étaient associés à la déclaration de tout symptôme et à de nombreux groupes de symptômes différents, tandis que les associations d’autres affections préexistantes avec des groupes de symptômes spécifiques étaient variables et souvent faibles.

Récupération altérée de la santé générale et de la capacité de travail

Nous avons ensuite examiné l’association entre les groupes de symptômes et l’état de santé général et la capacité de travail (pourcentage récupéré par rapport à avant l’infection aiguë). Le rétablissement moyen de la santé autodéclaré parmi les répondants était de 89,5 % (correspondant à une perte globale de 11,5 %, intervalle de confiance à 95 % de 11,2 % à 11,7 %), et la perte globale de capacité de travail était de 10,7 % (10,4 % à 11,0 %). . Les différents groupes de symptômes différaient en ce qui concerne la perte de santé et de capacité de travail associée ( fig 2). En termes de perte attribuée à la population, le groupe de fatigue avec la prévalence la plus élevée a le plus contribué, avec une perte de santé générale de 2,27 % (2,07 % à 2,47 %) et une perte de capacité de travail de 2,32 % (2,09 % à 2,56 %). les estimations de la perte attribuable à la population pour tous les autres groupes étaient inférieures à 2 %. Les troubles neurocognitifs avaient un effet significativement plus fort sur la perte de capacité de travail que sur la perte de santé. L’inverse était vrai pour les symptômes thoraciques et l’odorat ou le goût déformé, qui affectaient tous deux principalement la récupération générale de la santé plutôt que la capacité de travail ( fig 2 ). Là encore, des différences notables existent selon l’âge et le sexe (figure complémentaire G).

Figure 2

Figure 2

Prévalence des grappes de symptômes 6 à 12 mois après l’infection aiguë (uniquement les symptômes non présents avant l’infection aiguë par le SRAS-CoV-2) et perte associée (%) et perte attribuable à la population (%) de l’état de santé général (n = 10 268 ; perte moyenne 11,5 %, IC 95 % 11,2 % à 11,7 %) et capacité de travail (n=10 324 ; perte moyenne 10,7 %, 10,4 % à 11,0 %)

Nous avons enfin examiné comment la qualité de vie liée à la santé était corrélée avec le rétablissement de la santé et la capacité de travail. Nous avons trouvé une bonne corrélation entre le sous-score physique SF-12 (mais moins entre le sous-score santé mentale SF-12) et le rétablissement de la santé (r = 0,68) et la capacité de travail (r = 0,69) (figure supplémentaire H).

Étant donné que les conséquences fonctionnelles telles qu’une mauvaise récupération de la santé ou une capacité de travail réduite pourraient devenir essentielles pour estimer et discuter de la prévalence et du fardeau du syndrome post-covid chez les adultes, nous avons exploré plusieurs scénarios pour d’éventuelles définitions de cas alternatives. Comme le montre la figure 3, près d’un tiers des répondants (30,4 % ; 3446/11 326) ont déclaré que leur rétablissement de la santé était ≤ 80 %, et 26,6 % (3028/11 397) des répondants ont déclaré avoir récupéré ≤ 80 % de leur capacité de travail par rapport à la situation avant l’infection aiguë. Si cette réduction de la santé ou de la capacité de travail était associée à la déclaration de (tout) nouveau symptôme d’altération modérée ou forte de la vie quotidienne, nous avons estimé une prévalence de 28,5 % (3289/11 536) parmi les répondants (correspondant à une prévalence standardisée selon l’âge et le sexe de 26,5 %). Compte tenu du taux de réponse de 24 % (12 053/50 457) et des biais potentiels de sélection et de rappel, les chiffres de prévalence absolue doivent être interprétés avec prudence. Sous l’hypothèse d’une guérison complète de tous les non-répondants, la prévalence globale du syndrome post-covid selon la définition ci-dessus serait de 6,5% (3289/50 457), soit 4.

Figure 3

Figure 3

Prévalence (%) du syndrome post-covid selon différents critères pour les définitions de cas possibles en fonction des (nouveaux) symptômes autodéclarés, du score d’évaluation de la fatigue (FAS) et de l’état de santé général et de la capacité de travail récupérés

Discussion

Cette vaste étude basée sur la population a révélé un fardeau considérable de groupes de symptômes avec des séquelles possibles six à 12 mois après l’infection par le SRAS-CoV-2 affectant à la fois la santé générale et la capacité de travail. Bien qu’une variété de plaintes de longue durée aient été signalées, peu de groupes de symptômes ont entraîné ce fardeau, et la fatigue, les troubles neurocognitifs et les symptômes thoraciques (par exemple, l’essoufflement) semblaient être les principaux problèmes de santé. Une découverte nouvelle et importante était que des groupes de symptômes spécifiques différaient dans leur impact sur le rétablissement de la santé et la capacité de travail. La fatigue et les troubles neurocognitifs, en plus d’être les problèmes de santé les plus répandus dans cette étude, semblaient être les plus pertinents à la fois pour la récupération altérée de la santé et la capacité de travail réduite. Une deuxième découverte importante déjà observée par d’autres était que la plupart des symptômes et des groupes de symptômes étaient plus fréquents chez les femmes que chez les hommes et chez les personnes atteintes d’une infection aiguë plus grave, et le syndrome post-covid affectait également les participants plus jeunes. Nous notons que notre cohorte d’étude était principalement infectée par le type sauvage du SRAS-CoV-2 car les premières variantes préoccupantes sont apparues en janvier 2021 en Allemagne. Sur la base des données nationales sur la propagation des variantes préoccupantes,16 nous avons estimé que moins de 15 % de la cohorte avaient été infectés par B.1.1.7 (alpha) et moins de 1 % par B.1.351 (bêta).

Comparaison avec d’autres études

La pertinence en particulier de la fatigue et des troubles neurocognitifs, dans ce travail et dans des travaux antérieurs, 17 18 est remarquable pour trois raisons. Premièrement, la fatigue ou la fatigue et l’intolérance à l’exercice et les problèmes similaires sont nettement plus fréquents chez les survivants du covid-19 que dans les populations témoins, 19 20 21 22 23 24 25 26 et ils ont été les principales plaintes dans de nombreuses études sur le long covid, bien que peu d’entre eux (12 des 43 études évaluables dans une revue récente) ont utilisé des instruments standardisés pour quantifier ou valider les symptômes de fatigue autodéclarés. 9 L’instrument Fatigue Assessment Scale, utilisé par nous et dans une étude suisse basée sur la population, 20évalue la fatigue largement distincte des symptômes dépressifs, de l’anxiété et du névrosisme, et semble soutenir la validité des symptômes de fatigue autodéclarés avec différents degrés de déficience dans notre étude. On ne sait pas si d’autres instruments d’évaluation de la fatigue offrent une meilleure sensibilité et spécificité dans le contexte pandémique actuel, mais cela mérite une étude plus approfondie. Deuxièmement, la fatigue était fréquemment accompagnée d’autres groupes de symptômes prévalents, tels que des douleurs thoraciques et des troubles neurocognitifs, mais coapparaissait également avec l’anxiété/la dépression en tant que groupe de symptômes, y compris les troubles du sommeil et de nombreuses autres plaintes telles que les syndromes douloureux, similaires aux observations ailleurs. . 19 27 28 29 30Cela peut indiquer un certain chevauchement du syndrome post-covid avec l’encéphalomyélite myalgique/syndrome de fatigue chronique, qui peut inclure des symptômes similaires parfois récurrents et persiste généralement pendant des années plutôt que pendant des mois. D’autres études sont nécessaires pour étudier ce chevauchement. 31 32 Un troisième aspect est que non seulement la déficience neurocognitive a fréquemment été autodéclarée après une infection aiguë par le SRAS-CoV-2, comme dans cette étude, mais elle a déjà été validée dans plusieurs études comme des déficiences mesurables dans le raisonnement, la résolution de problèmes, planification, détection de cible et diverses fonctions de mémoire. 33 34 35 36 37 38Au moins certaines des études ont suggéré un manque d’amélioration des mesures des performances cognitives après le covid-19 au fil du temps, 29 34 et nous n’avons également eu aucune preuve d’une diminution de la prévalence des symptômes neurocognitifs au cours de notre période d’observation de six à 12 mois après une infection aiguë. Cela peut indiquer que, comme pour la fatigue, ce trouble pourrait devenir un problème de santé chronique chez une proportion inconnue de patients.

Les études épidémiologiques précédentes sur le syndrome post-covid ont été difficiles, les résultats étant difficiles à interpréter étant donné la variété et l’hétérogénéité des méthodes utilisées, y compris les différences dans la sélection des populations de patients et les taux de réponse, la disponibilité des groupes de comparaison, les différentes périodes de suivi, et des termes incohérents utilisés pour décrire les symptômes et les conditions de santé défavorables. La prévalence des symptômes post-aigus a considérablement varié d’une étude à l’autre, car souvent n’importe quel symptôme a été inclus dans les entretiens et les questionnaires, qu’il existait déjà avant le covid-19 ou qu’il était considéré comme grave et pertinent sur le plan fonctionnel. Dans une vaste enquête menée au Royaume-Uni (avec 76 155 participants après une infection aiguë confirmée par le SRAS-CoV-2), par exemple,30 Cependant, seulement un tiers des répondants considéraient leurs symptômes comme « sévères », le questionnaire n’incluait pas d’éléments de déficience cognitive, et le nombre de répondants déclarant un symptôme par rapport à plus d’un symptôme différait considérablement, ce qui donne une estimation valide de la prévalence globale -syndrome covid difficile.

Forces et limites de l’étude

Les points forts de ce travail sont le grand nombre de participants, la période définie entre six et 12 mois après que la PCR a confirmé l’infection par le SRAS-CoV-2, et l’approche basée sur la population avec l’inclusion de toutes les personnes infectées qui étaient soumises à l’obligation de déclaration légale dans un délai défini. régions géographiques. De plus, nous avons utilisé une comparaison intra-participants en tenant compte de la fréquence des symptômes avant l’infection aiguë. Outre la santé générale et la capacité de travail, nous avons inclus d’autres mesures évaluant la gravité des symptômes et leurs conséquences individuelles ainsi que les conséquences sociétales potentielles telles que la capacité de travail.

Les limites comprennent un manque de validation médicale de la nature autodéclarée des symptômes et des séquelles. De plus, le biais de rappel doit être pris en compte lors de la déclaration de symptômes du passé, en particulier chez les participants présentant des séquelles neurocognitives. De plus, nous avons eu une réponse limitée avec la possibilité d’un biais de sélection (par exemple, un potentiel de surestimation des mesures de prévalence) et une certaine surreprésentation des personnes âgées et des femmes (tableau supplémentaire E). Ainsi, nous ne pouvons pas fournir d’estimations de prévalence valides et fiables dans la population touchée. Cependant, notre étude montre comment différentes définitions de travail du syndrome post-covid peuvent produire des estimations de prévalence très variées,figure 3 et les estimations brutes de la population participante.

Nos régions d’étude étaient situées autour de villes universitaires de taille moyenne et les répondants avaient un niveau d’éducation supérieur à celui de la population générale, ce qui peut limiter la généralisabilité. Aussi, notre étude s’est concentrée sur la population en âge de travailler et ne doit pas être généralisée aux populations de plus de 65 ans ou aux enfants et adolescents. De plus, 5,5 % des invitations postales n’ont pas pu être livrées, probablement parce qu’il s’agissait de travailleurs saisonniers ou d’immigrants récents qui avaient déjà déménagé sans demande de réexpédition postale. Ce petit groupe aurait pu être enrichi par des ethnies non blanches, qui ne sont désormais pas bien représentées dans nos données. Comme nous n’avons qu’une comparaison avant-après chez les participants infectés (ce qui est un avantage pour limiter la confusion car chaque participant est son propre témoin), nous ne pouvons pas faire la différence entre l’impact de la pandémie elle-même et ses conséquences telles que les interventions non pharmaceutiques et de santé publique sur les symptômes et la notification des symptômes des conséquences directes de l’infection par le virus. Malheureusement, en Allemagne, les contrôles négatifs des tests n’étaient pas disponibles dans le cadre d’échantillonnage de nos cas en tant que groupe de comparaison (car les tests négatifs n’ont pas été signalés par nom et adresse aux autorités de santé publique en raison de l’absence de base légale). Enfin, nous n’avons utilisé qu’une seule méthode spécifique pour le regroupement des symptômes et nous ne pouvons pas exclure la possibilité que d’autres méthodes définissent des groupes différents et vraisemblablement plus grands. La fréquence et le regroupement des symptômes peuvent être différents avec des variantes virales plus récentes.

conclusion

En tant que l’une des plus grandes études basées sur la population, avec un suivi de six à 12 mois après une infection aiguë par le SRAS-CoV-2, nous montrons un fardeau considérable de groupes de symptômes avec des séquelles possibles individuellement et sociétalement pertinentes affectant également les jeunes adultes ayant des antécédents d’infection aiguë bénigne. La fatigue et les troubles neurocognitifs étaient fréquents dans la phase post-aiguë et altéraient considérablement l’état général et la capacité de travail. Compte tenu du fardeau individuel et sociétal des séquelles post-covid, les anomalies et causes biologiques sous-jacentes doivent être clarifiées de toute urgence pour définir des options de traitement adéquates et développer des mesures de réadaptation efficaces.

Qu’est-ce qu’on sait déjà à ce sujet

  • Des études antérieures ont montré que les séquelles post-aiguës du covid-19 sont fréquentes, en particulier chez les patients qui avaient été hospitalisés pour le covid-19
  • Les plaintes et les symptômes post-aigus autodéclarés sont souvent divers et non spécifiques et parfois d’une gravité et d’une pertinence fonctionnelle inconnues

Ce que cette étude ajoute

  • De nouveaux groupes de symptômes tels que la fatigue, les troubles neurocognitifs, les symptômes thoraciques, les troubles de l’odorat ou du goût et l’anxiété/la dépression persistent au-delà de six à 12 mois après une infection aiguë par le SRAS-CoV-2
  • Les trois groupes les plus fréquents (fatigue, troubles neurocognitifs, symptômes thoraciques) interfèrent souvent avec la vie et les activités quotidiennes et coexistent souvent
  • Les troubles de l’odorat et du goût à long terme sont rapportés relativement indépendamment des autres plaintes

Déclarations d’éthique

Approbation éthique

L’approbation éthique a été obtenue auprès des commissions d’éthique respectives des centres d’étude de Fribourg (21/1484) et d’Ulm (337/21).

Déclaration de disponibilité des données

Les données de la phase 1 d’EPILOC sont disponibles à des fins de recherche sur demande auprès de l’auteur correspondant à winfried.kern@uniklinik-freiburg.de.

Remerciements

Nous remercions tous les participants qui ont participé à l’enquête. Nous remercions les autorités sanitaires locales participantes pour leur soutien administratif et technique. Nous remercions les principaux collaborateurs de ce travail : Nelli Edel, Bettina Deibert, Stefanie Döbele, Sabine Gerbersdorf, Katja Hirth, Achim Jerg, Moritz Munk, Sylvia Parthé, Stephan Rusch, Cynthia Stapornwongkul, Michaela Schmid, Patrick Roling, Jennifer Müller, Annika Noghero, et Hanna Tschischka.

Notes de bas de page

  • Contributeurs : WVK a dirigé la conceptualisation de l’étude et l’élaboration de la question de recherche, avec le soutien de HGK, AN et RSP. WVK, AN et DR ont supervisé l’étude. SB et GK ont contribué à la conception de l’étude. RSP, AN et DR ont participé à l’acquisition des données et à l’analyse statistique. SB, SG, UM et JS ont contribué à l’acquisition et à l’interprétation des données. WVK, AN, RSP et DR ont eu un accès complet aux données et les ont vérifiées, assument la responsabilité de l’intégrité des données et de l’exactitude de l’analyse des données, et de la décision de soumettre pour publication. RSP et AN sont co-auteurs principaux, DR et WVK sont co-auteurs principaux. Tous les auteurs ont participé à la rédaction ou à la révision critique du manuscrit, et tous les auteurs ont approuvé la version finale. WVK est le garant.
  • Financement : Ce travail a été financé par le ministère fédéral des sciences et des arts du Bade-Wurtemberg (numéro de subvention MR/S028188/1) et le fonds de pension allemand (« Deutsche Rentenversicherung ») Baden-Württemberg. Les bailleurs de fonds n’ont joué aucun rôle dans l’examen de la conception de l’étude ou dans la collecte, l’analyse, l’interprétation des données, la rédaction du rapport ou la décision de soumettre l’article pour publication.
  • Intérêts concurrents : tous les auteurs ont rempli le formulaire de divulgation uniforme de l’ICMJE sur https://www.icmje.org/disclosure-of-interest/ et déclarent : le soutien du ministère fédéral des sciences et des arts du Bade-Wurtemberg et du fonds de pension allemand (“Deutsche Rentenversicherung”) Baden-Württemberg pour le travail soumis; aucune relation financière avec des organisations qui pourraient avoir un intérêt dans le travail soumis au cours des trois années précédentes ; aucune autre relation ou activité qui pourrait sembler avoir influencé le travail soumis.
  • Le garant de l’étude affirme que le manuscrit est un compte rendu honnête, précis et transparent de l’étude rapportée ; qu’aucun aspect important de l’étude n’a été omis; et que toute divergence par rapport à l’étude prévue (et, le cas échéant, enregistrée) a été expliquée.
  • Diffusion aux participants et aux communautés de patients et publiques concernées : au moment de la rédaction de cet article, les résultats de cette étude ont été partagés avec les responsables de la santé publique de l’État fédéral, avec les hôpitaux universitaires de l’État du Bade-Wurtemberg et avec la communauté mondiale en les publiant sur un serveur de préimpression. . Les résultats ont contribué à éclairer la planification sanitaire à court terme de l’État pour les unités de longue durée et informent également le ministère d’État des sciences, de la recherche et de la planification artistique. Nous diffuserons la publication et les principaux résultats via différents médias sociaux et via les bureaux de presse des universités contributrices. Nous prévoyons également une conférence de presse centrale avec le ministère fédéral des sciences, de la recherche et des arts et le bureau de la santé de l’État pour présenter les données et permettre les demandes de presse officielles. En outre, nous contacterons les groupes de défense des patients et les informerons de nos résultats en termes simples. Les données seront ensuite présentées lors de conférences scientifiques nationales telles que le prochain congrès de l’Association allemande d’épidémiologie (DGEpi) à Greifswald (Allemagne) fin septembre 2022.
  • Provenance et examen par les pairs : non commandé ; examiné par des pairs externes.

http://creativecommons.org/licenses/by-nc/4.0/

Il s’agit d’un article en libre accès distribué conformément à la licence Creative Commons Attribution Non Commercial (CC BY-NC 4.0), qui permet à d’autres de distribuer, remixer, adapter, s’appuyer sur ce travail à des fins non commerciales et de concéder sous licence leurs travaux dérivés sur différents termes, à condition que l’œuvre originale soit correctement citée et que l’utilisation ne soit pas commerciale. Voir : http://creativecommons.org/licenses/by-nc/4.0/ .

Références

    1. Sudre CH ,
    2. Murray B ,
    3. Varsavsky T ,
    4. et al
    . Attributs et prédicteurs du long COVID . Nat Med 2021 ; 27 : 626-31 . _ _ doi : 10.1038/s41591-021-01292-y pmid : 33692530  RéfCroiséePubMedGoogle Scholar
    1. Nalbandien A ,
    2. Sehgal K ,
    3. Gupta A ,
    4. et al
    . Syndrome post-aigu COVID-19 . Nat Med 2021 ; 27 : 601-15 . _ _ doi : 10.1038/s41591-021-01283-z pmid : 33753937  RéfCroiséePubMedGoogle Scholar
    1. Sah P ,
    2. Fitzpatrick MC ,
    3. Zimmer CF ,
    4. et al
    . Infection asymptomatique par le SRAS-CoV-2 : une revue systématique et une méta-analyse . Proc Natl Acad Sci USA 2021 ; 118 : e2109229118 . doi : 10.1073/pnas.2109229118 pmid : 34376550  Résumé / Texte intégral GRATUITGoogle Scholar
    1. Dorjee K ,
    2. Kim H ,
    3. Bonomo E ,
    4. Dolma R.
    . Prévalence et facteurs prédictifs de décès et de maladie grave chez les patients hospitalisés en raison de la COVID-19 : une revue systématique complète et une méta-analyse de 77 études et 38 000 patients . PLoS One 2020 ; 15 : e0243191 . doi : 10.1371/journal.pone.0243191 pmid : 33284825  RéfCroiséePubMedGoogle Scholar
    1. Gunster C ,
    2. Busse R ,
    3. Spoden M ,
    4. et al
    . Mortalité à 6 mois et réadmissions de patients hospitalisés COVID-19 : Une étude de cohorte nationale de 8 679 patients en Allemagne . PLoS One 2021 ; 16 : e0255427 . doi : 10.1371/journal.pone.0255427 pmid : 34351975  RéfCroiséePubMedGoogle Scholar
    1. Lopez-Léon S ,
    2. Wegman-Ostrosky T ,
    3. Perelman C ,
    4. et al
    . Plus de 50 effets à long terme de la COVID-19 : une revue systématique et une méta-analyse . Sci Rep 2021 ; 11 : 16144 . doi : 10.1038/s41598-021-95565-8 pmid : 34373540  RéfCroiséePubMedGoogle Scholar
    1. Groff D ,
    2. Soleil A ,
    3. Ssentongo AE ,
    4. et al
    . Taux à court et à long terme de séquelles postaiguës de l’infection par le SRAS-CoV-2 : une revue systématique . JAMA Netw Open 2021 ; 4 : e2128568 . doi : 10.1001/jamanetworkopen.2021.28568 pmid : 34643720  RéfCroiséePubMedGoogle Scholar
    1. Alkodaymi MS ,
    2. Omrani OA ,
    3. Fawzy NA ,
    4. et al
    . Prévalence des symptômes du syndrome COVID-19 post-aigu à différentes périodes de suivi : une revue systématique et une méta-analyse . Clin Microbiol Infect 2022 ; 28 : 657-66 . _ _ doi : 10.1016/j.cmi.2022.01.014 pmid : 35124265  RéfCroiséePubMedGoogle Scholar
    1. Ceban F ,
    2. Lin S ,
    3. Lui LMW ,
    4. et al
    . Fatigue et troubles cognitifs dans le syndrome post-COVID-19 : une revue systématique et une méta-analyse . Brain Behav Immun 2022 ; 101 : 93 – 135 . doi : 10.1016/j.bbi.2021.12.020 pmid : 34973396  RéfCroiséePubMedGoogle Scholar
    1. Bellan M ,
    2. Baricich A ,
    3. Patrucco F ,
    4. et al
    . Les séquelles à long terme sont très fréquentes un an après une hospitalisation pour COVID-19 sévère . Sci Rep 2021 ; 11 : 22666 . doi : 10.1038/s41598-021-01215-4 pmid : 34811387  RéfCroiséePubMedGoogle Scholar
    1. Soriano JB ,
    2. Murthy S ,
    3. Maréchal JC ,
    4. Relan P ,
    5. Diaz JV ,
    6. Groupe de travail de l’OMS sur la définition des cas cliniques sur l’état post-COVID-19
    . Une définition de cas clinique de la condition post-COVID-19 par un consensus Delphi . Lancet Infect Dis 2022 ; 22 : e102-7 . _ _ doi : 10.1016/S1473-3099(21)00703-9 pmid : 34951953  RéfCroiséePubMedGoogle Scholar
    1. Hendriks C ,
    2. Drent M ,
    3. Elfferich M ,
    4. De Vries J
    . L’échelle d’évaluation de la fatigue : qualité et disponibilité dans la sarcoïdose et d’autres maladies . Curr Opin Pulm Med 2018 ; 24 : 495 – 503 . doi : 10.1097/MCP.0000000000000496 pmid : 29889115  RéfCroiséePubMedGoogle Scholar
    1. Tuomi K ,
    2. Huuhtanen P ,
    3. Nykyri E ,
    4. Ilmarinen J
    . Promotion de la capacité de travail, de la qualité du travail et de la retraite . Occup Med (Londres) 2001 ; 51 : 318-24 . _ _ doi : 10.1093/occmed/51.5.318 pmid : 11473138  RéfCroiséePubMedGoogle Scholar
    1. Ebener M ,
    2. Hasselhorn HM
    . Validation de mesures courtes de la capacité de travail pour la recherche et les enquêtes auprès des employés . Int J Environ Res Public Health 2019 ; 16 : E3386 . doi : 10.3390/ijerph16183386 pmid : 31547466  RéfCroiséePubMedGoogle Scholar
    1. Klaxon JL
    . Une justification et un test pour le nombre de facteurs dans l’analyse factorielle . Psychometrika 1965 ; 30 : 179-85 . _ _ doi : 10.1007/BF02289447 pmid : 14306381  RéfCroiséePubMedWeb de la ScienceGoogle Scholar
  1. Institut Robert Koch. Coronavirus SARS-CoV-2 – Anzahl und Anteile von VOC und VOI in Deutschland. 2022. https://www.rki.de/DE/Content/InfAZ/N/Neuartiges_Coronavirus/Daten/VOC_VOI_Tabelle.html .
    1. Visco V ,
    2. Vitale C ,
    3. Rispoli A ,
    4. et al
    . Syndrome post-COVID-19 : implication et interactions entre les systèmes respiratoire, cardiovasculaire et nerveux . J Clin Med 2022 ; 11 : 524 . doi : 10.3390/jcm11030524 pmid : 35159974  RéfCroiséePubMedGoogle Scholar
    1. Xie Y ,
    2. Xu E ,
    3. Al-Aly Z
    . Risques de problèmes de santé mentale chez les personnes atteintes de covid-19 : étude de cohorte . BMJ 2022 ; 376 : e068993 . doi : 10.1136/bmj-2021-068993 pmid : 35172971  Résumé / Texte intégral GRATUITGoogle Scholar
    1. Amin-Chowdhury Z ,
    2. Harris RJ ,
    3. Aiano F ,
    4. et al
    . Caractériser le syndrome post-COVID plus de 6 mois après une infection aiguë chez l’adulte ; étude de cohorte longitudinale prospective, Angleterre. medRxiv 2021 . doi : 10.1101/2021.03.18.21253633 . Résumé / Texte intégral GRATUITGoogle Scholar
    1. Menges D ,
    2. Ballouz T ,
    3. Anagnostopoulos A ,
    4. et al
    . Fardeau du syndrome post-COVID-19 et implications pour la planification des services de santé : une étude de cohorte basée sur la population . PLoS One 2021 ; 16 : e0254523 . doi : 10.1371/journal.pone.0254523 pmid : 34252157  RéfCroiséePubMedGoogle Scholar
    1. Gebhard CE ,
    2. Sutsch C ,
    3. Bengs S ,
    4. et al
    . Facteurs de risque spécifiques au sexe et au genre du syndrome post-COVID-19 : une étude de cohorte basée sur la population en Suisse. medRxiv 2021 . doi : 10.1101/2021.06.30.21259757 . RéfCroiséeGoogle Scholar
    1. Caspersen IH ,
    2. Magnus P ,
    3. Trogstad L
    . Excès de risque et groupes de symptômes après COVID-19 dans une grande cohorte norvégienne . Eur J Epidémiol 2022 ; 37 : 539-48 . _ _ doi : 10.1007/s10654-022-00847-8 pmid : 35211871  RéfCroiséePubMedGoogle Scholar
    1. Havevall S ,
    2. Rosell A ,
    3. Phillipson M ,
    4. et al
    . Symptômes et déficience fonctionnelle évalués 8 mois après une légère COVID-19 chez les travailleurs de la santé . JAMA 2021 ; 325 : 2015 – 6 . doi : 10.1001/jama.2021.5612 pmid : 33825846  RéfCroiséePubMedGoogle Scholar
    1. Taquet M ,
    2. Dercon Q ,
    3. Luciano S ,
    4. Geddes JR ,
    5. Husain M ,
    6. Harrison PJ
    . Incidence, cooccurrence et évolution des caractéristiques du COVID-19 : une étude de cohorte rétrospective de 6 mois portant sur 273 618 survivants du COVID-19 . PLoS Med 2021 ; 18 : e1003773 . doi : 10.1371/journal.pmed.1003773 pmid : 34582441  RéfCroiséePubMedGoogle Scholar
    1. Soraas A ,
    2. Bo R ,
    3. Kalleberg KT ,
    4. Støer NC ,
    5. Ellingjord-Dale M ,
    6. Landrø NI
    . Problèmes de mémoire autodéclarés 8 mois après l’infection au COVID-19 . JAMA Netw Open 2021 ; 4 : e2118717 . doi : 10.1001/jamanetworkopen.2021.18717 pmid : 34323987  RéfCroiséePubMedGoogle Scholar
    1. Ballering AV ,
    2. van Zon SKR ,
    3. Olde Hartman TC ,
    4. Rosmalen JGM ,
    5. Initiative de recherche Lifelines Corona
    . Persistance des symptômes somatiques après COVID-19 aux Pays-Bas : une étude de cohorte observationnelle . Lancette 2022 ; 400 : 452 – 61 . doi : 10.1016/S0140-6736(22)01214-4 pmid : 35934007  RéfCroiséePubMedGoogle Scholar
    1. Yelin D ,
    2. Margalit I ,
    3. Nehme M ,
    4. et coll. ,
    5. Au nom du groupe de recherche LongCOV
    . Modèles de symptômes COVID longs : une étude transversale multicentrique . J Clin Med 2022 ; 11 : 898 . doi : 10.3390/jcm11040898 pmid : 35207171  RéfCroiséePubMedGoogle Scholar
    1. Nehme M ,
    2. Braillard O ,
    3. Chappuis F ,
    4. Courvoisier DS ,
    5. Devinez moi ,
    6. Équipe d’étude CoviCare
    . Prévalence des symptômes plus de sept mois après le diagnostic de COVID-19 symptomatique en ambulatoire . Ann Intern Med 2021 ; 174 : 1252-60 . _ _ doi : 10.7326/M21-0878 pmid : 34224254  RéfCroiséePubMedGoogle Scholar
    1. Seeßle J ,
    2. Waterboer T ,
    3. Hippchen T ,
    4. et al
    . Symptômes persistants chez les patients adultes 1 an après la maladie à coronavirus 2019 (COVID-19) : une étude de cohorte prospective . Clin Infect Dis 2022 ; 74 : 1191-8 . _ _ doi : 10.1093/cid/ciab611 pmid : 34223884  RéfCroiséePubMedGoogle Scholar
    1. Whitaker M ,
    2. Elliott J ,
    3. Chadeau-Hyam M ,
    4. et al
    . Symptômes persistants de COVID-19 dans une étude communautaire de 606 434 personnes en Angleterre . Nat Commun 2022 ; 13 : 1957 . doi : 10.1038/s41467-022-29521-z pmid : 35413949  RéfCroiséePubMedGoogle Scholar
    1. Jason LA ,
    2. Islam M ,
    3. Conroy K ,
    4. et al
    . Symptômes de la COVID-19 au fil du temps : comparaison des long-courriers à l’EM/SFC . Fatigue 2021 ; 9 : 59-68 . _ _ doi : 10.1080/21641846.2021.1922140 pmid : 34484973  RéfCroiséePubMedGoogle Scholar
    1. Mantovani E ,
    2. Mariotto S ,
    3. Gabbiani D ,
    4. et al
    . Syndrome de fatigue chronique : une séquelle émergente chez les survivants du COVID-19 ? J Neurovirol 2021 ; 27 : 631-7 . _ _ doi : 10.1007/s13365-021-01002-x pmid : 34341960  RéfCroiséePubMedGoogle Scholar
    1. Becker JH ,
    2. Lin JJ ,
    3. Doernberg M ,
    4. et al
    . Évaluation de la fonction cognitive chez les patients après une infection au COVID-19 . JAMA Netw Open 2021 ; 4 : e2130645 . doi : 10.1001/jamanetworkopen.2021.30645 pmid : 34677597  RéfCroiséePubMedGoogle Scholar
    1. Hampshire A ,
    2. Tendance W ,
    3. Chamberlain SR ,
    4. et al
    . Déficits cognitifs chez les personnes qui se sont remises de la COVID-19 . ECMédecine Clinique 2021 ; 39 : 101044 . doi : 10.1016/j.eclinm.2021.101044 pmid : 34316551  RéfCroiséePubMedGoogle Scholar
    1. Del Brutto OH ,
    2. Wu S ,
    3. Méra RM ,
    4. Côte AF ,
    5. Recalde BY ,
    6.  PN d’Issa
    . Déclin cognitif chez les personnes ayant des antécédents d’infection symptomatique légère par le SRAS-CoV-2 : une étude prospective longitudinale nichée dans une cohorte de population . Eur J Neurol 2021 ; 28 : 3245-53 . _ _ doi : 10.1111/ene.14775 pmid : 33576150  RéfCroiséePubMedGoogle Scholar
  2. Zhao S, Shibata K, Hellyer PJ, et al. Vigilance rapide et diminution de la mémoire épisodique chez les survivants du COVID-19. Cerveau Commun 2022;4:fcab295.
    1. Graham EL ,
    2. Clark JR ,
    3. Orban ZS ,
    4. et al
    . Symptômes neurologiques persistants et dysfonctionnement cognitif chez les « long courriers » Covid-19 non hospitalisés . Ann Clin Transl Neurol 2021 ; 8 : 1073-85 . _ _ doi : 10.1002/acn3.51350 pmid : 33755344  RéfCroiséePubMedGoogle Scholar
    1. Salle PA ,
    2. Meng G ,
    3. Hudson A ,
    4. et al
    . Fonction cognitive à la suite d’une infection par le SRAS-CoV-2 dans un échantillon canadien représentatif de la population . Brain Behav Immun Health 2022 ; 21 : 100454 . doi : 10.1016/j.bbih.2022.100454 pmid : 35340304  RéfCroiséePubMedGoogle Scholar

Nous recommandons

  1. Risque de séquelles cliniques persistantes et nouvelles chez les adultes âgés de 65 ans et plus pendant la phase post-aiguë de l’infection par le SRAS-CoV-2 : étude de cohorte rétrospectiveKen Cohen et al., BMJ’s Coronavirus (covid-19) Hub, 2022
  2. Long covid chez les enfants et les adolescentsPetra Zimmermann et al., Le BMJ, 2022
  3. Trajectoire des longs symptômes de covid après la vaccination contre le covid-19 : étude de cohorte communautaireDaniel Ayoubkhani et al., BMJ’s Coronavirus (covid-19) Hub, 2022
  4. Long covid: Dommages à plusieurs organes présents chez les jeunes patients à faible risqueGareth Iacobucci, Le BMJ, 2020
  5. Covid-19 post-aiguë en soins primairesMatthew Knight et al., Le BMJ, 2021
  1. Soyez prêt : Efficacité et sécurité du bimekizumab dans le psoriasis en plaques modéré à sévère (BE READY) : un essai de phase 3 multicentrique, en double aveugle, contrôlé par placebo et randomisé avec retraitKenneth B Gordon et al., The Lancet, 2021
  2. Associations de dépression, d’anxiété, d’inquiétude, de stress perçu et de solitude avant l’infection avec le risque de conditions post-COVID-19Siwen Wang et al., JAMA Psychiatrie, 2022
  3. Association de la séropositivité au SRAS-CoV-2 avec l’encéphalomyélite myalgique et/ou le syndrome de fatigue chronique chez les enfants et les adolescents en AllemagneAnna-Lisa Sorg et al., JAMA Network Open, 2022
  4. Déficience multiviscérale chez les personnes à faible risque atteintes du syndrome post-COVID-19 : une étude prospective communautaireAndrea Dennis et al., BMJ Open, 2021
  5. Problèmes de mémoire autodéclarés 8 mois après l’infection au COVID-19

Plateforme de référencement des Covid longs

La loi créant une plateforme de référencement des Covid longs définitivement adoptée
24/01/2022

PARIS (TICsanté) – Le Sénat a adopté le 13 janvier, sans la modifier, la loi « visant à la création d’une plateforme de référencement et de prise en charge des malades chroniques de la Covid-19″ sans la modifier, actant de ce fait son adoption définitive.

Le texte était examiné à l’initiative du groupe Union centriste, dans sa version adoptée à l’unanimité par les députés en première lecture le 26 novembre 2021, avant que la commission des affaires sociales du Sénat ne le rejette, car elle le considérait à la fois trop rigide et trop peu ambitieux, le 5 janvier.

La proposition de loi du député Michel Zumkeller (UDI et indépendants, Territoire de Belfort), soutenue par le gouvernement, dispose qu' »afin de mieux accompagner les personnes touchées par la Covid-19, une plateforme de suivi est mise en place. Elle peut se décliner sous toutes les formes proposées par les technologies, notamment des sites internet et des applications. Elle permet à tous les patients qui le souhaitent de se faire référencer comme souffrant ou ayant souffert de symptômes post-Covid. »

Les modalités d’accès à cette plateforme gratuite devront être précisées par un décret en Conseil d’Etat pris après avis de la Commission nationale de l’informatique et des libertés (Cnil).

La loi dispose par ailleurs qu' »après traitement des déclarations enregistrées sur la plateforme de suivi, les personnes, majeures ou mineures, ayant des symptômes persistants de la Covid-19 sont prises en charge soit par leur médecin traitant dans le cadre d’un protocole déterminé, soit dans une unité de soins post-Covid pour les malades atteints de pathologies plus lourdes ».

« L’agence régionale de santé [ARS] facilite une mise en œuvre rapide des unités de soins post-Covid dans les établissements hospitaliers de proximité, en veillant à leur apporter les moyens humains et financiers permettant de développer un suivi personnalisé à la hauteur de ces symptômes persistants », est-il précisé.

Les analyses et les soins liés au Covid-19 remboursés par l’assurance maladie seront « couverts intégralement dans la limite des tarifs de responsabilité par la prise en charge conjointe de l’assurance maladie et des contrats [solidaires et responsables] » des complémentaires santé ou de la complémentaire santé solidaire (CSS).

Bruno Decottignies