Et si vos habitudes quotidiennes en disaient plus sur votre santé que votre rythme cardiaque ? Une nouvelle étude soutenue par Apple révèle qu'un modèle d'intelligence artificielle peut prédire des conditions de santé avec une précision allant jusqu'à 92% en analysant uniquement vos comportements.
- L'Apple Watch pourrait révolutionner la santé en analysant nos habitudes quotidiennes, pas seulement nos données physiologiques.
- Le modèle d'IA Wearable Behavior Model (WBM) utilise des métriques comportementales pour prédire des conditions de santé.
- Combiner données comportementales et physiologiques améliore la détection de pathologies, atteignant 92% de précision pour certaines conditions.
L'Apple Watch a progressivement intégré de multiples capteurs pour suivre notre état de santé, de la fréquence cardiaque à l'électrocardiogramme. Toutefois, une nouvelle recherche suggère que l'avenir de la détection précoce ne réside pas seulement dans ces mesures physiologiques. Le véritable potentiel pourrait se trouver dans l'analyse fine de nos actions les plus banales.
- Plus fine et plus légère
- Coloris Jet Black somptueux
- Un grand écran, très lumineux
Au-delà des capteurs, l'analyse comportementale
Jusqu'à présent, la plupart des modèles d'IA pour la santé se concentraient sur des flux de données brutes issus des capteurs, comme le signal de photopléthysmographie (PPG) qui mesure le rythme cardiaque, ou les tracés de l'ECG. Ces outils se sont avérés précieux pour détecter des affections comme la fibrillation auriculaire ou certains dysfonctionnements cardiaques. Or, une étude récente issue du programme Apple Heart and Movement Study (AHMS) adopte une perspective différente.
Les chercheurs ont développé un modèle d'IA, baptisé Wearable Behavior Model (WBM), qui n'apprend pas à partir des capteurs bruts, mais de métriques comportementales de plus haut niveau. Il s'agit de données comme le nombre de pas, la stabilité de la marche, la durée du sommeil ou encore le VO₂ max, toutes collectées par l'Apple Watch. L'hypothèse est simple : nos changements de comportement sur le long terme sont souvent des indicateurs précoces et puissants d'une modification de notre état de santé.
Ce modèle a été entraîné sur un volume de données considérable, représentant plus de 2,5 milliards d'heures d'informations comportementales collectées auprès de 161 855 participants. Cette approche permet de capturer des signaux que les mesures physiologiques ponctuelles pourraient manquer.
Une IA de nouvelle génération pour décoder nos habitudes
Pour analyser cette immense quantité de données séquentielles, les scientifiques n'ont pas utilisé les architectures Transformer classiques, qui sont à la base de grands modèles de langage comme GPT. Ils ont plutôt opté pour une architecture plus récente nommée Mamba-2, jugée plus performante pour ce type d'usage spécifique. Le modèle traite ainsi 27 métriques comportementales interprétables, telles que l'énergie active, le rythme de marche ou la variabilité de la fréquence cardiaque.
Le WBM a été évalué sur 57 tâches liées à la santé, allant de la détection de conditions statiques (comme le fait d'être fumeur ou de prendre des bêtabloquants) à des états dynamiques comme une grossesse, une infection respiratoire ou une blessure. C'est dans ce second domaine que le modèle a montré sa supériorité par rapport à une IA reposant uniquement sur le capteur PPG. Les résultats sont particulièrement éloquents : le modèle comportemental a surpassé le modèle physiologique dans la quasi-totalité des tâches de détection dynamique. La seule exception notable fut le diabète, où l'analyse du signal PPG seul s'est montrée plus efficace.
Vers une approche hybride et une précision accrue
L'étude ne vise pas à remplacer les capteurs existants, mais bien à les compléter. Les chercheurs ont démontré que la combinaison des deux approches était la plus performante. En fusionnant les données comportementales du WBM avec les données physiologiques du PPG, le modèle hybride a atteint un taux de précision de 92% pour la détection de grossesse.
Cette approche combinée a également permis des gains de performance constants dans l'identification de problèmes de sommeil, d'infections, de blessures et de tâches liées au système cardiovasculaire. Cela ouvre la voie à une détection plus fine de pathologies complexes, en complément des fonctionnalités existantes comme l'alerte d'hypertension attendue sur de futurs modèles.
Source : 9to5mac
09 juillet 2025 à 14h30
