Publié le 8 janvier 2026 14h16. Des chercheurs de l’université de Stanford ont mis au point une intelligence artificielle capable de prédire le risque de développer plus de 130 maladies à partir de données issues de l’analyse du sommeil, ouvrant la voie à une médecine préventive plus personnalisée.
- Le modèle d’IA, baptisé SleepFM, analyse les données de polysomnographie (PSG) pour évaluer l’état de santé général.
- SleepFM a démontré une grande précision dans la prédiction de maladies telles que la maladie d’Alzheimer, le cancer de la prostate, l’insuffisance cardiaque et le diabète.
- L’étude souligne le potentiel des mesures du sommeil comme outil de diagnostic précoce, surpassant les méthodes traditionnelles basées sur l’âge, le sexe et l’IMC.
Une nouvelle intelligence artificielle (IA) promet de révolutionner la manière dont nous évaluons et prédisons les risques pour la santé. Développée par une équipe de l’université de Stanford, SleepFM, un modèle multimodal, utilise des ensembles de données massifs issus d’enregistrements de sommeil pour identifier les signes avant-coureurs de plus de 130 maladies différentes. Cette avancée, publiée dans la revue Nature Medicine, suggère que l’analyse du sommeil pourrait devenir un outil précieux pour la médecine préventive, bien au-delà du simple diagnostic des troubles du sommeil.
Dans le domaine médical, la polysomnographie (PSG) est considérée comme la référence pour l’évaluation du sommeil. Un enregistrement PSG collecte divers signaux physiologiques, notamment l’activité cardiaque (électrocardiogramme ou ECG), les ondes cérébrales (électroencéphalographie ou EEG), les mouvements musculaires (électromyographie ou EMG) et les valeurs respiratoires. En raison de la complexité et du volume de ces données, les études précédentes se sont souvent limitées à l’évaluation manuelle des phases de sommeil ou à l’identification d’événements spécifiques, tels que les apnées du sommeil.
Pour traiter cette quantité considérable de données, les scientifiques ont adopté une approche similaire à celle des grands modèles linguistiques qui alimentent des applications d’IA telles que ChatGPT. Alors que ces modèles apprennent les relations entre les mots dans les phrases, SleepFM a été entraîné sur plus de 585 000 heures de données PSG provenant de plus de 65 000 personnes. Ce processus a permis au modèle d’acquérir une compréhension approfondie de la « physiologie du sommeil ».
Examen des fonctions de base du sommeil
Avant d’évaluer les risques de maladie, les chercheurs ont validé SleepFM sur des tâches classiques de médecine du sommeil. L’IA a démontré une précision comparable à celle des experts spécialisés dans la détermination automatique des phases de sommeil. De plus, le modèle a pu estimer l’âge biologique d’une personne avec une marge d’erreur moyenne d’environ 7,33 ans, uniquement à partir des données de sommeil. Il a également reconnu les pauses respiratoires avec une précision allant jusqu’à 87 pour cent.
Prédire le risque de maladie et de mortalité
La capacité la plus remarquable de SleepFM réside dans ses prédictions à long terme. Le modèle a pu utiliser les données d’une seule nuit de sommeil pour prédire la probabilité qu’un patient développe certaines maladies dans les années à venir. Les chercheurs utilisent l’indice C pour mesurer la puissance prédictive, une mesure standard en recherche médicale. Un indice C de 0,70 à 0,80 est considéré comme « bon », tandis qu’une valeur supérieure à 0,80 est jugée « très bonne » à « excellente » (un score de 1,0 représentant une prédiction parfaite).
SleepFM a pu calculer le risque de nombreuses maladies (maladies cardiovasculaires, démence, cancer, maladies métaboliques) avec une grande précision dans les six années suivant la mesure du sommeil. Le modèle était particulièrement performant pour prédire la maladie d’Alzheimer (0,91), le cancer de la prostate (0,89), l’insuffisance cardiaque (0,80), le diabète (0,87) et le risque général de mortalité (0,84).
L’étude révèle que SleepFM surpasse significativement les modèles de prédiction traditionnels basés uniquement sur des données démographiques et anthropométriques telles que l’âge, le sexe et l’indice de masse corporelle (IMC). Cela suggère que le sommeil recèle des schémas physiologiques cachés qui fournissent des informations plus précises sur l’état de santé que les indicateurs médicaux conventionnels.
Surmonter le manque de standardisation des données en médecine du sommeil
L’un des principaux défis dans l’analyse des données de sommeil est le manque de standardisation des données issues des enregistrements de polysomnographie. Différentes cliniques utilisent des nombres variables de capteurs et des paramètres d’enregistrement différents. SleepFM utilise une architecture « indépendante du canal » et une nouvelle approche « laisser-un-dehors » pour l’entraînement de l’IA, en exploitant divers signaux PSG (cœur, cerveau, respiration). Cela permet au modèle de fournir des résultats fiables même en cas de capteurs manquants ou de variations de la qualité des données.
Pour évaluer la robustesse du modèle, les chercheurs ont également testé SleepFM sur de nouveaux ensembles de données qui n’avaient pas été utilisés lors de l’entraînement. Les résultats ont confirmé que la puissance prédictive restait stable, démontrant que le modèle peut être appliqué dans différents environnements.
Importance possible pour la médecine préventive
Les mesures du sommeil pourraient donc fournir une mine d’informations précieuses sur la santé générale et les risques de maladie, qui peuvent désormais être interprétées grâce à l’IA. À l’avenir, les études du sommeil pourraient être intégrées aux soins de santé courants. En identifiant les « signaux d’alerte précoce » de la démence, des maladies cardiovasculaires ou du cancer, des investigations pourraient être lancées plus rapidement, potentiellement des années avant l’apparition des symptômes.
Avec le développement des dispositifs portables (montres intelligentes, etc.), les découvertes issues de modèles d’IA tels que SleepFM pourraient même, à terme, passer du laboratoire du sommeil à la vie quotidienne, permettant une surveillance continue et non invasive de la santé.
Les scientifiques concluent que leur approche ouvre la voie à des soins de santé préventifs personnalisés qui utilisent le sommeil comme base pour évaluer le risque de maladie.
(Mack)