Découvrez comment le modèle AI d’Apple détecte des problèmes de santé avec une précision impressionnante de 92 % !

Un nouveau modèle IA d’Apple pour la santé

Une étude récente soutenue par Apple démontre que les données comportementales (mouvement, sommeil, exercice, etc.) peuvent souvent constituer un signal de santé plus puissant que les mesures biométriques traditionnelles, telles que la fréquence cardiaque ou l’oxygène sanguin. Pour corroborer cette affirmation, les chercheurs ont développé un modèle de base formé sur des données comportementales collectées par des dispositifs portables. Ce modèle a affiché une performance impressionnante. Voici les détails.

Le modèle WBM : Wearable Behavior Model

Le document préliminaire, Beyond Sensor Data: Foundation Models of Behavioral Data from Wearables Improve Health Predictions, découle de l’Apple Heart and Movement Study (AHMS). Les chercheurs ont formé le modèle WBM sur plus de 2,5 milliards d’heures de données portables, prouvant qu’il peut égaler, voire surpasser, les modèles existants basés sur des données de capteurs de bas niveau.

Fonctionnement du modèle WBM

Le modèle WBM apprend directement à partir de métriques comportementales de haut niveau, telles que le nombre de pas, la stabilité de la marche, la mobilité, et le VO₂ max, toutes largement produites par l’Apple Watch. Les modèles précédents de santé reposaient majoritairement sur des flux de capteurs bruts, comme le capteur de fréquence cardiaque PPG (photopléthysmographie) ou l’électrocardiogramme (ECG).

« Les dispositifs portables, tels que les montres connectées et les trackers de fitness, fournissent des informations riches à travers divers domaines de la santé. Un aspect important du suivi de la santé est la détection d’un état de santé statique, par exemple, savoir si une personne a des antécédents de tabagisme ou une hypertension. Un autre problème crucial est la détection d’un état de santé transitoire, comme la qualité du sommeil ou la grossesse. »

En d’autres termes, bien que l’Apple Watch collecte des données de capteurs brutes, ces données peuvent être bruyantes et parfois déconnectées d’événements de santé significatifs. Les métriques utilisées par WBM sont affinées pour mettre en évidence des comportements réels et des tendances pertinentes pour la santé.

Éléments techniques du modèle WBM

Le modèle WBM a été formé à partir des données d’Apple Watch et d’iPhone de 161 855 participants à l’AHMS. Plutôt que des flux bruts, il 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 rythme respiratoire et la durée du sommeil. Les données ont été segmentées en blocs hebdomadaires et traitées par une nouvelle architecture basée sur Mamba-2, qui s’avère plus performante que les Transformers traditionnels.

Résultats de l’évaluation du modèle

Lors de l’évaluation sur 57 tâches liées à la santé, le modèle WBM a surpassé un modèle fort basé sur PPG dans 18 des 47 tâches de prédiction de santé statiques, et dans toutes sauf une des tâches dynamiques. L’exception concernait le diabète, où le PPG seul a dominé. En combinant les représentations de données WBM et PPG, les résultats les plus précis ont été obtenus. Le modèle hybride a atteint une précision de 92 % pour la détection de la grossesse et des améliorations constantes dans la qualité du sommeil, l’infection, les blessures et des tâches cardiovasculaires.

Complémentarité plutôt que remplacement

L’étude ne vise pas à remplacer les données de capteurs par WBM, mais plutôt à les compléter. Des modèles comme WBM capturent des signaux de comportement à long terme, tandis que PPG détecte des changements physiologiques à court terme. Ensemble, ils sont plus efficaces pour signaler des changements significatifs de santé en amont.

Pour en savoir plus

Pour des informations supplémentaires sur l’Apple Heart and Movement Study et d’autres études, consultez des sources fiables en ligne sur le sujet.

Annonce

Quels sont les avantages du modèle WBM par rapport aux données des capteurs traditionnels ?

Le modèle WBM apprend directement à partir de métriques comportementales de niveau supérieur, telles que le nombre de pas et la stabilité de la marche, offrant des prédictions de santé plus précises et pertinentes que les données brutes des capteurs.

Comment le modèle WBM est-il entraîné ?

WBM a été formé sur des données de l’Apple Watch et de l’iPhone provenant de 161 855 participants, en utilisant 27 métriques comportementales interprétables par les humains, ce qui lui permet d’évaluer des tâches de santé avec une grande précision.

Quelle est l’importance des données comportementales dans la détection de l’état de santé ?

Les données comportementales sont sensibles aux comportements individuels et fournissent des informations cruciales pour détecter des états de santé transitoires, comme la qualité du sommeil ou une grossesse, rendant leur utilisation particulièrement prometteuse.

Comment le modèle WBM et les données PPG se complètent-ils ?

WBM capture des signaux comportementaux à long terme, tandis que les données PPG détectent des changements physiologiques à court terme. Ensemble, ils améliorent la détection des changements de santé significatifs.