C’est une étude qui devrait faire l’effet d’une bombe : une équipe de chercheurs du MIT et d’Empirical Health a réussi à transformer des données irrégulières issues d’Apple Watch en un modèle prédictif performant pour détecter des maladies. En analysant près de 3 millions de jours de données provenant de 16 522 volontaires, les scientifiques sont parvenus à concevoir un modèle fondation innovant capable d’identifier des conditions médicales à partir des fluctuations quotidiennes de santé.

Des « world models » appliqués aux données de santé

Fait notable, les chercheurs se sont appuyés sur l’architecture JEPA, imaginée par Yann LeCun, dont l’ambition est d’enseigner à une IA à comprendre le sens de données manquantes au lieu de tenter de les reconstituer. Plutôt que de prédire des valeurs précises, le système déduit la représentation des informations absentes en s’appuyant sur le contexte disponible. Une philosophie issue des « world models », ces modèles internes censés permettre aux machines de mieux comprendre leur environnement.

Apple Watch JETS

JETS : un modèle conçu pour des données irrégulières

Le modèle mis au point, baptisé JETS, adapte cette approche aux séries temporelles hétérogènes générées par les capteurs : rythme cardiaque, sommeil, activité physique, respiration… 63 métriques ont été enregistrées à une cadence variable, parfois avec d’importantes lacunes. Seuls 15 % des participants disposaient d’un historique médical annoté, ce qui rendait impossible la classique méthode d’apprentissage supervisé.

Grâce au pré-entraînement auto-supervisé, JETS apprend d’abord à partir de l’ensemble du corpus, avant d’être affiné sur les données médicalement annotées. Les résultats sont impressionnants : un AUROC (taux de prédictibilité juste) de 86,8 % pour l’hypertension, 81 % pour le syndrome de fatigue chronique ou encore 70,5 % pour le flutter auriculaire. Sans être parfait, le modèle surpasse de nombreuses approches classiques testées en parallèle.

Une nouvelle manière d’exploiter les données des wearables

Le potentiel de cette étude semble considérable : même des données irrégulières, collectées seulement une fraction du temps, peuvent révéler des tendances significatives lorsqu’elles sont traitées avec des modèles adaptés. Alors que les montres connectées deviennent omniprésentes, cette approche ouvre la voie à des outils de prévention capables d’identifier précocement des signaux faibles et invisibles à l’œil humain… avec la perspective de transformer chaque montre connectée en un outil de monitoring de santé ultra performant.