Un modèle d’IA d’Apple peut révéler des problèmes de santé
Apple a franchi une étape importante dans le domaine de la santé connectée en développant un modèle d’intelligence artificielle capable de prédire l’état de santé des utilisateurs en analysant leurs comportements quotidiens plutôt que leurs données biométriques traditionnelles. Toutes les informations sont à retrouver dans ce document de 26 pages.
Le modèle WBM : une approche de la santé prédictive
Cette innovation s’appuie sur l’Apple Heart and Movement Study (AHMS), une vaste étude menée par le fabricant d’iPhone. Il a créé WBM (Wearable Behavior Model), un modèle d’IA entraîné sur plus de 2,5 milliards d’heures de données collectées via des objets connectés.
Contrairement aux approches précédentes qui se concentraient sur les signaux bruts des capteurs, le WBM analyse directement les métriques comportementales de haut niveau. Il étudie notamment le nombre de pas, la stabilité de la démarche, la mobilité ou encore le VO₂ max (consommation maximale d’oxygène). Ce sont des données que l’Apple Watch génère en abondance.
Les chercheurs d’Apple expliquent que les appareils portables grand public fournissent des informations riches dans différents domaines de la santé. Cependant, détecter certains états de santé nécessite une approche temporelle différente.
D’un côté, il faut identifier les états de santé statiques, par exemple déterminer si une personne a des antécédents de tabagisme, d’hypertension ou prend des bêta-bloquants. De l’autre, il faut repérer les états transitoires comme la qualité du sommeil ou une grossesse en cours.
Les données comportementales présentent plusieurs avantages cruciaux. Elles sont calculées grâce à des algorithmes soigneusement validés à partir des capteurs bruts. Les experts les choisissent spécifiquement pour correspondre à des quantités physiologiquement pertinentes et à des états de santé précis. Surtout, ces données reflètent les comportements individuels plutôt que d’être uniquement dictées par la physiologie.
Une architecture basée sur Mamba-2 pour analyser 27 métriques comportementales
L’entraînement du WBM s’est effectué sur les données d’Apple Watch et d’iPhone de 161 855 participants à l’étude AHMS. Au lieu d’analyser des flux de données brutes, le modèle a traité 27 métriques comportementales compréhensibles par l’humain : énergie active, rythme de marche, variabilité de la fréquence cardiaque, fréquence respiratoire et durée du sommeil.
Les chercheurs ont organisé ces données par blocs hebdomadaires et ont développé une nouvelle architecture basée sur Mamba-2. Cette technologie surpasse les Transformers traditionnels (utilisés dans GPT) pour ce type d’application.
Des résultats impressionnants sur 57 tâches de santé
Les tests ont porté sur 57 tâches liées à la santé. Le WBM a surpassé un modèle PPG (photopléthysmographie) robuste dans 18 des 47 tâches de prédiction statique (comme déterminer si quelqu’un prend des bêta-bloquants). Plus remarquable encore, il a excellé dans toutes les tâches dynamiques sauf une : la détection de grossesse, de qualité du sommeil ou d’infection respiratoire. Seul le diabète résistait, où le PPG seul obtenait de meilleurs résultats.
Les performances atteignent des sommets lorsque les chercheurs combinent le WBM et les données PPG. Ce modèle hybride affiche une précision de 92 % pour la détection de grossesse. Il montre également des gains constants dans l’évaluation de la qualité du sommeil, la détection d’infections, de blessures et de problèmes cardiovasculaires comme la fibrillation auriculaire.
Une complémentarité plutôt qu’une substitution
Cette recherche ne vise pas à remplacer les données des capteurs par le WBM, mais plutôt à les compléter intelligemment. Les modèles comme WBM capturent les signaux comportementaux à long terme, tandis que le PPG détecte les changements physiologiques à court terme.
Ensemble, ces technologies offrent une meilleure capacité à identifier les changements de santé significatifs de manière précoce. Cette approche ouvre de nouvelles perspectives pour la médecine préventive et le suivi personnalisé de la santé via les objets connectés.
