Dans un monde où la technologie transforme notre santé, le modèle AI d’Apple se distingue en détectant les conditions médicales avec une précision impressionnante de 92%. Cette avancée révolutionnaire promet de redéfinir les soins de santé, offrant des solutions innovantes pour un avenir plus sain et connecté.

Modèle IA d’Apple Signale des Conditions de Santé avec une Précision de 92 %

Les Données Comportementales comme Indicateurs de Santé

Une étude récemment soutenue par Apple affirme que les données comportementales (mouvement, sommeil, exercice, etc.) peuvent souvent être un signal de santé plus puissant que les mesures biométriques traditionnelles comme la fréquence cardiaque ou le taux d’oxygène dans le sang. Pour démontrer cette affirmation, les chercheurs ont développé un modèle de base formé sur des données comportementales collectées à partir de dispositifs portables, et les résultats sont impressionnants.

Cette étude préliminaire, intitulée Au-delà des données de capteurs : Les modèles de base des données comportementales issues des dispositifs portables améliorent les prédictions en matière de santé, résulte de l’étude sur la santé cardiaque et le mouvement d’Apple (AHMS). Les chercheurs ont entraîné un nouveau modèle de base sur plus de 2,5 milliards d’heures de données issues de dispositifs portables, démontrant qu’il peut égaler, voire surpasser, les modèles existants basés sur des données de capteurs brutes.

Le Modèle de Comportement Portable (WBM)

Le modèle nouvellement développé est appelé WBM, qui signifie Modèle de Comportement Portable. Alors que les modèles de santé précédents s’appuyaient principalement sur des flux de capteurs bruts, tels que le capteur de fréquence cardiaque de l’Apple Watch (PPG, ou photopléthysmographe) ou son électrocardiogramme (ECG), le WBM apprend directement à partir de métriques comportementales de niveau supérieur : le nombre de pas, la stabilité de la marche, la mobilité, le VO₂ max, etc. Tous ces indicateurs sont largement produits par l’Apple Watch.

Pourquoi un Nouveau Modèle ?

Une question pertinente se pose : si l’Apple Watch dispose de ces capteurs, quel est l’intérêt du nouveau modèle ? La réponse réside dans l’étude :

« Les dispositifs portables, tels que les montres connectées et les trackers d’activité, fournissent des informations riches à travers divers domaines de santé. Un aspect crucial de la surveillance de la santé est la détection d’un état de santé statique – par exemple, si quelqu’un a des antécédents de tabagisme, un diagnostic passé d’hypertension ou est sous bêta-bloquants. Un autre problème essentiel est la détection d’un état de santé transitoire, comme la qualité du sommeil d’une personne ou le fait qu’elle soit actuellement enceinte. Une caractéristique clé des données nécessaires pour ces prédictions est qu’elles sont généralement à la résolution temporelle du comportement humain (par exemple, jours et semaines) plutôt qu’aux échelles de temps plus basses (par exemple, secondes) auxquelles les données brutes des capteurs sont collectées. »

Les métriques de comportement supérieures sont donc idéales pour ces tâches de détection. Contrairement aux capteurs bruts, ces métriques comportementales sont calculées à l’aide d’algorithmes validés, choisis par des experts pour représenter des quantités physiologiquement pertinentes et des états de santé.

L’Entraînement du Modèle

Le modèle WBM a été entraîné sur des données de l’Apple Watch et de l’iPhone provenant de 161 855 participants de l’AHMS. Au lieu de flux bruts, le modèle a été alimenté avec 27 métriques comportementales interprétables par les humains, telles que l’énergie active, le rythme de marche, la variabilité de la fréquence cardiaque, le taux de respiration et la durée du sommeil.

Les données ont été découpées en blocs hebdomadaires et ont été traitées à l’aide d’une nouvelle architecture construite sur Mamba-2, qui fonctionne mieux que les Transformers traditionnels pour ce cas d’utilisation.

Performances du Modèle WBM

Lors de l’évaluation sur 57 tâches liées à la santé, le modèle WBM a surpassé un modèle basé sur le PPG dans 18 des 47 tâches de prédiction de santé statique (comme savoir si quelqu’un prend des bêta-bloquants), et dans presque toutes les tâches dynamiques (comme détecter une grossesse, la qualité du sommeil ou une infection respiratoire). L’exception était le diabète, où le PPG a dominé.

Mieux encore, la combinaison des représentations de données WBM et PPG a produit les résultats les plus précis dans l’ensemble. Le modèle hybride a atteint une précision impressionnante de 92 % pour la détection de la grossesse, ainsi que des gains constants dans la qualité du sommeil, les infections, les blessures et les tâches liées à la santé cardiovasculaire, telles que la détection de la fibrillation auriculaire.

Complémentarité des Données

Finalement, l’étude ne cherche pas à remplacer les données des capteurs par le WBM, mais plutôt à les compléter. Les modèles comme WBM capturent des signaux comportementaux à long terme, tandis que le PPG saisit les changements physiologiques à court terme. Ensemble, ils sont plus efficaces pour signaler des changements significatifs en matière de santé.

Pour approfondir vos connaissances sur l’étude sur la santé cardiaque et le mouvement d’Apple et d’autres recherches, vous pouvez consulter Healthline.