Stanford AI peut estimer le risque de maladie à partir d’une seule nuit de sommeil
- ARKTechNews
- il y a 4 heures
- 2 min de lecture
Des chercheurs de Stanford Medicine ont mis au point un modèle d’IA baptisé SleepFM, capable d’analyser les signaux physiologiques d’une seule nuit de sommeil pour estimer le risque futur de développer de nombreuses maladies. Ce système exploite des données issues de la polysomnographie, un examen complet du sommeil enregistré en laboratoire qui capte l’activité cérébrale, cardiaque, respiratoire et d’autres signaux corporels complexes.
Comment fonctionne l’analyse
SleepFM a été entraîné avec plus de 585 000 heures d’enregistrements de sommeil provenant d’environ 65 000 personnes, réparties en segments de données capturant différents aspects du sommeil. L’IA apprend ainsi ce que les chercheurs appellent “le langage du sommeil”, c’est‑à‑dire la manière dont les différents signaux physiologiques interagissent et peuvent révéler des indices subtils sur l’état de santé d’une personne. Le modèle est d’abord capable d’évaluer des tâches classiques comme la classification des phases de sommeil ou la sévérité des apnées du sommeil avec des performances comparables ou supérieures aux solutions spécialisées. Il exploite ces représentations pour relier ensuite les signaux de la nuit à des données de santé longitudinales (archives médicales enregistrées sur plusieurs années).
Prédiction du risque de maladies sur le long terme
En combinant les données de sommeil avec les dossiers de santé à long terme, SleepFM peut prédire le risque de développer plus d’une centaine de conditions médicales. Parmi les cas identifiés figurent des affections graves comme la démence, les maladies cardiovasculaires, certains cancers, l’insuffisance rénale chronique ou encore le risque de mortalité toutes causes confondues. Les performances de prédiction sont mesurées par des métriques statistiques standard (indices de concordance) souvent supérieures à 0,75 pour un large éventail de maladies, ce qui indique une capacité raisonnable à différencier les profils à risque. Dans certains sous‑groupes, comme la maladie de Parkinson, les performances peuvent approcher 89 % d’exactitude pour certaines prédictions de risque, ce qui souligne le potentiel du modèle même si des validations supplémentaires restent nécessaires.
Potentiel et limites de l’approche
L’une des forces de ce modèle est sa capacité à exploiter des signaux physiologiques multiples au lieu de se baser sur un seul type de donnée, ce qui améliore sa sensibilité aux signes précoces souvent invisibles à l’œil humain. Les chercheurs soulignent toutefois que, bien que prometteur pour la stratification du risque et la recherche clinique, SleepFM n’est pas encore un outil médical prêt à être utilisé seul pour un diagnostic clinique. Des travaux supplémentaires sont nécessaires pour affiner l’interprétation des prédictions et valider l’usage pratique auprès de populations diversifiées.
Sources :
AI model predicts disease risk while you sleep – Stanford Report
Multimodal Sleep Foundation Model Can Predict Risk for 130 Conditions – HealthDay
AI System Links Sleep Patterns to Disease Risk Years in Advance – Tasnim News
Agency AI model uses one night of sleep to predict future disease risk – InnoNurse
