Un modèle prédictif pour détecter des maladies grâce à l’apple watch

À retenir :
– étude basée sur 3 millions de jours de données
– développement d’un modèle prédictif nommé JETS
– approche innovante utilisant des world models
– prédictions précises pour diverses conditions médicales
– potentiel considérable pour la santé avec les wearables

---

**Apple Watch : Une étude révolutionnaire analyse 3 millions de jours de données pour développer une IA capable de prédire des maladies**

Une nouvelle recherche pourrait avoir un impact majeur dans le domaine de la santé : une équipe du MIT, en collaboration avec Empirical Health, a réussi à transformer des données disparates recueillies via l’Apple Watch en un modèle prédictif efficace pour détecter diverses maladies. En étudiant près de 3 millions de jours d’informations provenant de 16 522 participants, les chercheurs ont élaboré un modèle innovant capable d’identifier des problèmes médicaux grâce aux variations quotidiennes des indicateurs de santé.

**Des modèles basés sur l’analyse des données médicales**

Un point marquant réside dans le fait que ces chercheurs ont utilisé l’architecture JEPA conçue par Yann LeCun. Ce modèle vise à apprendre à une intelligence artificielle à interpréter le sens des informations manquantes plutôt qu’à essayer simplement de les reconstituer. Ainsi, au lieu d’évaluer uniquement des valeurs spécifiques, ce système parvient à déduire les éléments absents en s’appuyant sur le contexte environnant. Cette approche s’inspire du concept des « world models », qui permet aux machines d’acquérir une meilleure compréhension de leur environnement.

**Le modèle JETS adapté aux séries temporelles irrégulières**

Le modèle développé, nommé JETS, adapte cette stratégie aux séries temporelles hétérogènes générées par divers capteurs tels que ceux mesurant le rythme cardiaque, le sommeil ou encore l’activité physique. Au total, 63 métriques ont été enregistrées avec une cadence variable et parfois significativement lacunaire. De plus, seulement 15 % des participants disposaient d’un historique médical annoté, rendant ainsi difficile l’application classique d’un apprentissage supervisé. Grâce à un pré-entraînement auto-supervisé, JETS apprend d’abord sur la totalité du corpus avant d’être affiné avec les données dûment annotées médicalement.

Les résultats obtenus sont impressionnants : un AUROC (taux de prédiction correct) atteignant 86,8 % pour l’hypertension artérielle et 81 % pour le syndrome de fatigue chronique ; il atteint également 70,5 % pour le flutter auriculaire. Bien que perfectible, ce modèle dépasse plusieurs méthodes traditionnelles testées en parallèle.

**Une nouvelle façon d’exploiter les données collectées par les wearables**

Le potentiel révélateur de cette étude est vaste : même lorsque les données sont incomplètes ou collectées sporadiquement dans le temps, elles peuvent encore mettre en lumière des tendances significatives si elles sont analysées avec adéquation grâce à ces modèles avancés. À mesure que les montres connectées se démocratisent toujours davantage, cette approche ouvre la voie à la création d’outils préventifs capables non seulement d’identifier précocement certains signaux souvent invisibles au regard humain mais aussi d’envisager chaque montre connectée comme un dispositif ultra-performant dédié au suivi santé