Un nouveau modèle d’IA prédit les risques de maladie pendant votre sommeil.

infohightech ·

« Lorsque nous étudions le sommeil, nous enregistrons un nombre incroyable de signaux », a déclaré Emmanuel Mignot. Avec James Zou, il a analysé des données sur le sommeil et découvert que ces signaux pouvaient prédire certaines maladies.

Le premier modèle d’intelligence artificielle de ce type peut prédire plus de 100 problèmes de santé à partir d’une seule nuit de sommeil.

Bref

– Des chercheurs de Stanford Medicine ont développé SleepFM, un modèle d’IA entraîné sur près de 600 000 heures de données de sommeil.
– Le modèle présente une grande précision pour la prédiction de maladies comme le cancer et les problèmes cardiovasculaires.
– SleepFM utilise diverses sources de données physiologiques, ce qui met en évidence le potentiel d’amélioration des prévisions de maladies et d’une meilleure compréhension des risques pour la santé.

Une mauvaise nuit de sommeil présage une journée difficile, mais elle peut aussi révéler des maladies qui se déclareront des années plus tard. Un nouveau modèle d’intelligence artificielle, mis au point par des chercheurs de Stanford Medicine et leurs collègues, utilise les enregistrements physiologiques d’une seule nuit de sommeil pour prédire le risque de développer plus de 100 problèmes de santé.

Ce modèle, baptisé SleepFM, a été entraîné sur près de 600 000 heures de données de sommeil recueillies auprès de 65 000 participants. Ces données proviennent de la polysomnographie, une évaluation complète du sommeil qui utilise divers capteurs pour enregistrer l’activité cérébrale, l’activité cardiaque, les signaux respiratoires, les mouvements des jambes, les mouvements oculaires, et bien plus encore.

La polysomnographie est la méthode de référence pour les études du sommeil qui consistent à surveiller les patients pendant la nuit en laboratoire. Les chercheurs ont également constaté qu’elle représente une mine d’or inexploitée de données physiologiques.

« Lorsque nous étudions le sommeil, nous enregistrons une quantité impressionnante de signaux », explique  Emmanuel Mignot , docteur en médecine et en philosophie, professeur Craig Reynolds de médecine du sommeil et co-auteur principal de la nouvelle  étude , publiée le 6 janvier dans  Nature Medicine . « Il s’agit d’une sorte de physiologie générale que nous étudions pendant huit heures chez un sujet totalement immobilisé. Les données recueillies sont extrêmement riches. »

Seule une fraction de ces données est utilisée dans la recherche et la médecine du sommeil actuelles. Grâce aux progrès de l’intelligence artificielle, il est désormais possible d’en exploiter une bien plus grande partie. Cette nouvelle étude est la première à utiliser l’IA pour analyser des données sur le sommeil à une telle échelle.

« Du point de vue de l’IA, le sommeil est relativement peu étudié. De nombreux travaux en IA portent sur la pathologie ou la cardiologie, mais relativement peu sur le sommeil, malgré son rôle essentiel dans la vie », a déclaré  James Zou , PhD, professeur associé de sciences des données biomédicales et co-auteur principal de l’étude.

Apprendre le langage du sommeil

Pour exploiter cette mine de données sur le sommeil, les chercheurs ont conçu un modèle de base, un type de modèle d’IA capable de s’auto-entraîner sur d’immenses quantités de données et d’appliquer ses connaissances à un large éventail de tâches. Les grands modèles de langage comme ChatGPT sont des exemples de modèles de base entraînés sur d’énormes volumes de texte.

Les 585 000 heures de données polysomnographiques ayant servi à l’entraînement de SleepFM proviennent de patients dont le sommeil a été évalué dans différentes cliniques du sommeil. Ces données sont segmentées en intervalles de cinq secondes, à l’image des mots utilisés par les grands modèles de langage pour leur entraînement.

« SleepFM apprend essentiellement le langage du sommeil », a déclaré Zou.

Le modèle a pu intégrer de multiples flux de données – électroencéphalographie, électrocardiographie, électromyographie, lecture du pouls et débit respiratoire, par exemple – et en déduire comment ils sont liés les uns aux autres.

Pour ce faire, les chercheurs ont mis au point une nouvelle technique d’entraînement, appelée apprentissage contrastif leave-one-out, qui consiste essentiellement à masquer une modalité de données et à mettre le modèle au défi de reconstruire la partie manquante à partir des autres signaux.

« L’une des avancées techniques que nous avons réalisées dans ce travail consiste à trouver comment harmoniser toutes ces différentes modalités de données afin qu’elles puissent converger pour apprendre le même langage », a déclaré Zou.

Prévision des maladies

Après la phase d’entraînement, les chercheurs ont pu affiner le modèle pour l’adapter à différentes tâches.

Dans un premier temps, ils ont testé le modèle sur des tâches d’analyse du sommeil standard, comme la classification des différentes phases du sommeil et le diagnostic de la gravité de l’apnée du sommeil. SleepFM a obtenu des résultats égaux, voire supérieurs, à ceux des modèles les plus performants actuellement utilisés.

Les chercheurs se sont ensuite attaqués à un objectif plus ambitieux : prédire l’apparition de futures maladies à partir des données du sommeil. Pour identifier les affections prévisibles, ils ont dû croiser les données polysomnographiques d’entraînement avec l’état de santé à long terme des mêmes participants. Heureusement, ils avaient accès à plus d’un demi-siècle de dossiers médicaux provenant d’une clinique du sommeil.

Le  Stanford Sleep Medicine Center a été fondé en 1970 par le regretté  William Dement , docteur en médecine et en philosophie, considéré comme le père de la médecine du sommeil. La plus importante cohorte de patients ayant servi à l’entraînement de SleepFM – environ 35 000 patients âgés de 2 à 96 ans – a fait l’objet d’enregistrements polysomnographiques au sein de la clinique entre 1999 et 2024. Les chercheurs ont ensuite croisé ces données avec les dossiers médicaux électroniques de ces patients, permettant ainsi un suivi allant jusqu’à 25 ans pour certains d’entre eux.

(Les enregistrements polysomnographiques de la clinique remontent encore plus loin, mais seulement sur papier, a déclaré Mignot, qui a dirigé le centre du sommeil de 2010 à 2019.)

SleepFM a analysé plus de 1 000 catégories de maladies dans les dossiers médicaux et a identifié 130 pathologies pouvant être prédites avec une précision raisonnable à partir des données de sommeil des patients. Les prédictions du modèle étaient particulièrement performantes pour les cancers, les complications de grossesse, les maladies circulatoires et les troubles mentaux, avec un indice C supérieur à 0,8.

L’indice C, ou indice de concordance, est une mesure courante de la performance prédictive d’un modèle, et plus précisément de sa capacité à prédire lequel de deux individus d’un groupe subira un événement en premier.

« Pour toutes les paires d’individus possibles, le modèle établit un classement des personnes les plus susceptibles de subir un événement – ​​une crise cardiaque, par exemple – en premier. Un indice C de 0,8 signifie que dans 80 % des cas, la prédiction du modèle concorde avec la réalité », a déclaré Zou.

SleepFM a excellé dans la prédiction de la maladie de Parkinson (indice C 0,89), de la démence (0,85), des maladies cardiaques hypertensives (0,84), des crises cardiaques (0,81), du cancer de la prostate (0,89), du cancer du sein (0,87) et de la mort (0,84).

« Nous avons été agréablement surpris de constater que, pour un ensemble de conditions assez diversifié, le modèle est capable de faire des prédictions instructives », a déclaré Zou.

Il a ajouté que des modèles moins précis, avec des indices C d’environ 0,7, comme ceux qui prédisent la réponse d’un patient à différents traitements contre le cancer, se sont révélés utiles en milieu clinique.

Interprétation du modèle

L’équipe travaille sur des moyens d’améliorer encore les prédictions de SleepFM, peut-être en ajoutant des données provenant d’objets connectés, et de comprendre exactement ce que le modèle interprète.

« Le texte en anglais ne nous l’explique pas », a déclaré Zou. « Mais nous avons mis au point différentes techniques d’interprétation pour comprendre ce que le modèle analyse lorsqu’il effectue une prédiction spécifique d’une maladie. »

Les chercheurs notent que même si les signaux cardiaques jouent un rôle plus important dans les prédictions des maladies cardiaques et les signaux cérébraux dans les prédictions de la santé mentale, c’est la combinaison de toutes les modalités de données qui a permis d’obtenir les prédictions les plus précises.

« La meilleure source d’information pour prédire la maladie provenait de la comparaison des différents canaux », a déclaré Mignot. Des anomalies dans l’état des organes – un cerveau qui semble endormi tandis qu’un cœur semble éveillé, par exemple – semblaient annoncer un problème de santé.


Pour plus d’informations

Mignot et Zou sont membres de l’  Institut des neurosciences Wu Tsai .

Rahul Thapa, doctorant en sciences des données biomédicales, et Magnus Ruud Kjaer, doctorant à l’Université technique du Danemark, sont les co-auteurs principaux de l’étude. Thapa est boursier Knight-Hennessy.

Des chercheurs de l’Université technique du Danemark, de l’hôpital universitaire de Copenhague – Rigshospitalet, de BioSerenity, de l’Université de Copenhague et de la faculté de médecine de Harvard ont contribué à ces travaux.

Cette étude a bénéficié d’un financement des National Institutes of Health (subvention R01HL161253), du programme Knight-Hennessy Scholars et du Chan-Zuckerberg Biohub.

https://news.stanford.edu/stories/2026/01/ai-model-sleep-disease-risk-research-sleepfm

https://med.stanford.edu/news/all-news/2026/01/ai-sleep-disease.html

Attention, l’article date du 6 Janvier 2026

Cet article vous a été utile ? Partagez-le.