Découvrez comment le modèle d’IA d’Apple révolutionne le domaine de la santé en identifiant les conditions médicales avec une précision allant jusqu’à 92 %. Cette avancée technologique promet d’améliorer les diagnostics et le suivi des patients, transformant ainsi notre approche des soins de santé.
Modèle AI d’Apple Signale les Conditions de Santé avec une Précision de 92%
Une nouvelle étude soutenue par Apple affirme que les données comportementales (mouvement, sommeil, exercice, etc.) peuvent souvent être des indicateurs de santé plus puissants que les mesures biométriques traditionnelles, telles que la fréquence cardiaque ou le taux d’oxygène dans le sang. Pour prouver cette hypothèse, les chercheurs ont développé un modèle de fondation entraîné sur des données comportementales recueillies à partir de dispositifs portables, et les résultats ont été surprenants.
Ce document préliminaire, intitulé Au-delà des données de capteur : les modèles de fondation des données comportementales des dispositifs portables améliorent les prédictions de santé, résulte de l’Étude sur la santé cardiaque et le mouvement d’Apple (AHMS). Les chercheurs ont entraîné un nouveau modèle de fondation sur plus de 2,5 milliards d’heures de données issues de dispositifs portables, démontrant qu’il peut égaler (et même surpasser) les modèles existants basés sur des données de capteurs de bas niveau.
Ce nouveau modèle, nommé WBM (Wearable Behavior Model), diffère des modèles de santé précédents, principalement basés sur des flux de capteurs bruts, comme le capteur de fréquence cardiaque de l’Apple Watch (PPG, ou photopléthysmographe) ou son électrocardiographe (ECG). Le WBM apprend directement à partir de métriques comportementales de niveau supérieur : nombre de pas, stabilité de la démarche, mobilité, VO₂ max, etc. Toutes ces données sont produites en abondance par l’Apple Watch.
La Nécessité du Nouveau Modèle
La question se pose alors : si l’Apple Watch dispose déjà de ces capteurs, quel est l’intérêt de ce nouveau modèle ?
« Les dispositifs portables grand public, comme les montres intelligentes et les trackers de fitness, fournissent des informations riches dans divers domaines de la santé (…). Un aspect important du suivi de la santé est la détection d’un état de santé statique — par exemple, si quelqu’un a des antécédents de tabagisme, un diagnostic d’hypertension passé, ou s’il prend un bêta-bloquant. Une autre problématique cruciale est la détection d’un état de santé transitoire, comme la qualité du sommeil d’une personne ou si quelqu’un est actuellement enceinte… Ces données, choisies par des experts, sont particulièrement prometteuses pour ces tâches de détection de santé. »
En d’autres termes, bien que l’Apple Watch collecte des données de capteur brutes, ces données peuvent être bruyantes et parfois déconnectées des événements de santé significatifs. Les métriques utilisées par le WBM sont affinées pour mettre en évidence des comportements réels et des tendances pertinentes en matière de santé. Elles sont plus stables, plus faciles à interpréter et mieux structurées pour modéliser les tendances de santé à long terme.
Dans la pratique, le WBM apprend à partir des motifs trouvés dans les données comportementales traitées, plutôt que de s’appuyer directement sur des signaux de capteurs bruts.
Aspects Techniques du Modèle WBM
Le modèle WBM a été entraîné avec des données de l’Apple Watch et de l’iPhone de 161 855 participants à l’AHMS. Au lieu de flux bruts, le modèle a été alimenté par 27 métriques comportementales interprétables par des humains, telles que l’énergie active, le rythme de marche, la variabilité de la fréquence cardiaque, le taux respiratoire, et la durée du sommeil.
Les données ont été segmentées en blocs hebdomadaires et traitées à travers une nouvelle architecture basée sur Mamba-2, qui surpasse les Transformateurs traditionnels (base pour GPT) pour cette utilisation.
Lors de l’évaluation sur 57 tâches liées à la santé, le WBM a surpassé un modèle puissant basé sur le PPG dans 18 des 47 tâches de prédiction de santé statique (comme déterminer si quelqu’un prend des bêta-bloquants) et dans presque toutes les tâches dynamiques (telles que la détection de grossesse, la qualité du sommeil ou les infections respiratoires). L’exception était le diabète, pour lequel le PPG s’est révélé plus performant.
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 grossesse, tout en affichant des gains cohérents dans la qualité de sommeil, les infections, les blessures et des tâches liées aux maladies cardiovasculaires comme la détection d’Atrésie auriculaire (Afib).
Collaboration des Données
En fin de compte, l’étude ne vise pas à remplacer les données de capteurs par le WBM, mais plutôt à les compléter. Les modèles comme le WBM capturent des signaux comportementaux à long terme, tandis que le PPG saisit les changements physiologiques à court terme. Toutefois, ensemble, ils sont plus efficaces pour signaler précocement des changements de santé significatifs.
Pour approfondir vos connaissances sur l’Étude sur la santé cardiaque et le mouvement d’Apple et d’autres recherches, des informations sont disponibles sur des sites d’autorité sur ce sujet.
Quels types de données les modèles WBM utilisent-ils ?
Le modèle WBM utilise des métriques comportementales interprétables par les humains, comme l’énergie active, le rythme de marche, la variabilité de la fréquence cardiaque, le taux respiratoire et la durée du sommeil.
Comment le modèle WBM se compare-t-il aux modèles traditionnels ?
Le modèle WBM a surpassé un puissant modèle basé sur le PPG dans 18 des 47 tâches de prédiction de santé statique et dans presque toutes les tâches dynamiques, montrant une meilleure précision générale lors de la détection d’états de santé.
Quel est l’objectif principal du modèle WBM ?
Le modèle WBM vise à compléter les données des capteurs en capturant des signaux comportementaux à long terme, ce qui permet de détecter plus efficacement les changements de santé significatifs.
Pourquoi la combinaison de WBM et de PPG est-elle bénéfique ?
La combinaison des données WBM et PPG a permis d’obtenir des résultats précis, atteignant une précision de 92 % pour la détection de la grossesse et améliorant la qualité du sommeil et les tâches liées aux infections.
Bonjour, je m’appelle Manu Dibango et j’ai 37 ans. Cadre supérieur dans l’administration, je suis passionné par la gestion et l’organisation. Bienvenue sur Camernews où je partage ma veille sur les nouvelles technologies et l’innovation.