User Profiles of Sleep Disorder Sufferers: Towards Explainable Clustering and Differential Variable Analysis
Sifeddine Sellami, Juba Agoun, Lamia Yessad, Louenas Bounia
TL;DR
Le travail propose une segmentation basée sur le clustering des utilisateurs de l’application KANOPEE pour identifier des profils de troubles du sommeil et comprendre les facteurs influençant ces pathologies. Il combine K-means, tests statistiques, analyses basées sur les distances (in-pattern/out-pattern) et une approche XAI (SHAP + explications formelles) pour interpréter les frontières entre clusters. Les résultats révèlent deux profils cliniques distincts: des jeunes présentant dépression, insomnie et sommeil irrégulier, et des personnes plus âgées avec sommeil plus régulier et humeur plus stable; l’approche XAI fournit des explications plus riches et augmentent la confiance dans l’interprétation. Cette méthodologie, tirant parti d’un ensemble de données réelles et anonymisées, ouvre des perspectives pour une meilleure compréhension et une gestion plus interprétable des troubles du sommeil, tout en offrant des pistes pour enrichir les données et améliorer l’imputation tout en conservant l’explicabilité.
Abstract
Sleep disorders have a major impact on patients' health and quality of life, but their diagnosis remains complex due to the diversity of symptoms. Today, technological advances, combined with medical data analysis, are opening new perspectives for a better understanding of these disorders. In particular, explainable artificial intelligence (XAI) aims to make AI model decisions understandable and interpretable for users. In this study, we propose a clustering-based method to group patients according to different sleep disorder profiles. By integrating an explainable approach, we identify the key factors influencing these pathologies. An experiment on anonymized real data illustrates the effectiveness and relevance of our approach.