Une révolution dans la détection précoce des maladies grâce à l’intelligence artificielle du sommeil
Les avancées en matière de santé et de technologie se conjuguent aujourd’hui pour ouvrir de nouvelles perspectives dans la prévention des maladies graves. Publie il y a peu dans la revue scientifique renommée Nature Medicine, une étude révèle la création d’un outil innovant baptisé SleepFM, conçu pour anticiper l’apparition d’un grand nombre de pathologies simplement à partir d’une seule nuit d’enregistrement du sommeil. Cette prouesse, réalisée par une équipe de chercheurs, pourrait bien transformer nos approches de dépistage et de diagnostic en médecine préventive.
Ce dispositif repose sur l’utilisation d’une intelligence artificielle (IA) capable d’analyser en même temps plusieurs signaux physiologiques enregistrés durant le sommeil, dans le cadre d’un examen appelé polysomnographie. Parmi ces signaux, on trouve l’activité électrique du cerveau, la fréquence cardiaque, l’état des muscles et le rythme respiratoire. En s’appuyant sur une base de données massive comprenant plus de 585 000 heures d’enregistrements nocturnes de 65 000 individus, l’IA a été entraînée à reconnaître des modèles subtils permettant d’anticiper différentes pathologies.
Une technologie sophistiquée pour décoder la complexité du sommeil et prévoir la santé future
Le sommeil constitue un processus physiologique d’une grande complexité, impliquant de nombreuses interactions entre divers systèmes du corps. La polysomnographie, en enregistrant simultanément plusieurs types de signaux, capte ces interactions d’une finesse remarquable. L’analyse de ces données par SleepFM permet d’obtenir des représentations détaillées de la structure et du fonctionnement du sommeil, intégrant des aspects temporels et physiologiques cruciaux. Grâce à ces représentations, l’IA permet de calculer avec précision le risque que présente un individu de développer des maladies graves dans le futur.
Les chercheurs estiment que cette méthode pourrait permettre d’identifier, bien avant l’apparition des premiers symptômes, des conditions aussi diverses que la maladie d’Alzheimer, Parkinson, certains cancers, les maladies cardiovasculaires ou encore le diabète. La clé de cette capacité réside dans l’analyse combinée de quatre types de signaux : l’activité cérébrale, la fréquence des battements cardiaques, les contractions musculaires et la respiration, qui évoquent tous un réseau complexe d’indicateurs précurseurs.
Décoder la fragilité du sommeil pour anticiper d’éventuelles maladies
Le sommeil n’est pas simplement un état de repos mais un processus dynamique, reflétant la santé globale de l’organisme. La polysomnographie permet d’explorer cette richesse en enregistrant différents paramètres, tels que l’activité électrique du cerveau via l’électroencéphalogramme ou encore l’électrooculogramme (mouvements oculaires), la fréquence cardiaque, l’activité musculaire et l’état de la respiration. En combinant ces données, SleepFM construit une représentation globale du sommeil, révélant ses structures et ses variations dans le temps.
Ce décryptage détaillé donne au modèle la capacité de produire des prédictions précises sur le risque de développer une pathologie future. Les auteurs de l’étude expliquent qu’en exploitatant des modèles d’apprentissage automatique sur ces signaux méticuleusement collectés, l’IA peut repérer des signaux faibles, parfois invisibles pour l’œil humain ou dans des analyses plus classiques, mais qui sont en réalité des indicateurs précoces de troubles graves.
Une performance de prédiction remarquable à partir d’une seule nuit
Les résultats obtenus sont impressionnants. En se basant uniquement sur une nuit d’enregistrement du sommeil, SleepFM parvient à prévoir la mortalité totale par toutes causes confondues avec un indice de concordance atteint de 0,84. Pour comparer, cet indice, compris entre 0 et 1, mesure la précision de la prévision : plus il s’approche de 1, plus la prédiction est fiable. Autres scores remarquables, concernant des maladies spécifiques : pour la démence, il atteint 0,85 ; pour l’infarctus du myocarde, 0,81 ; et pour l’insuffisance cardiaque, 0,80. Les mêmes bonnes performances sont observées pour l’insuffisance rénale chronique, l’accident vasculaire cérébral et la fibrillation auriculaire, avec des indices proches de 0,78 ou 0,79.
Les résultats indiquent que le modèle présente une efficacité non négligeable pour anticiper le décès, mais aussi le développement de certaines maladies dégénératives ou cardiovasculaires majeures. En somme, il permettrait un dépistage précoce, plus rapide et plus précis qu’avec les méthodes traditionnelles basées sur les données démographiques ou l’analyse exhaustive d’un enregistrement PSG.
Une validation robuste grâce à des comparaisons avec les méthodes existantes
Pour évaluer la supériorité du modèle SleepFM, les chercheurs l’ont confronté à deux approches classiques en matière d’analyse du sommeil. Ces méthodes traditionnelles, utilisant des modèles statistiques fondés sur des données démographiques ou une analyse approfondie du polysomnogramme dans sa globalité, affichent des performances inférieures. En comparant les résultats, il apparaît clairement que SleepFM, grâce à son apprentissage préalable des signaux faibles, offre une capacité de prédiction nettement améliorée.
L’étude a également procédé à une validation externe, en utilisant une cohorte indépendante de celle ayant servi à la phase d’entraînement. Résultat : SleepFM conserve des performances solides, confirmant sa fiabilité et sa généralisation possible à un large éventail de populations.
Identifier des anomalies du sommeil liées à des pathologies spécifiques
Les travaux mettent également en évidence des signatures particulières du sommeil associées à certains risques pathologiques. Il a été observé qu’une charge d’éveil accrue, une fragmentation du sommeil ou encore des anomalies du sommeil paradoxal préfigurent le développement de troubles graves. Par exemple, une fragmentation du cycle de sommeil peut précéder de plusieurs années l’apparition de la maladie de Parkinson, tandis que des troubles respiratoires nocturnes accompagnés de périodes d’hypoxie sont souvent en amont des complications cardiaques. Ces phénomènes sont également porteurs d’indications sur des démences séniles, ainsi que d’autres troubles neurodégénératifs.
SleepFM parvient à intégrer ces différentes dimensions, en analysant notamment la fréquence et la durée des micro-réveils, les événements respiratoires, la charge d’éveil, l’efficacité globale du sommeil ainsi que des marqueurs retrouvés couramment dans le contexte des maladies cardiovasculaires, métaboliques ou systémiques. Cette approche multidimensionnelle offre une vision intégrée pour mieux comprendre la relation entre le sommeil et la santé.
Restent à valider ces résultats à l’échelle de la population générale
Il demeure essentiel que ces avancées soient vérifiées au-delà des populations de patients déjà traités pour des troubles du sommeil. La majorité des données analysées proviennent en effet d’individus ayant consulté pour des raisons liées au sommeil, ce qui pourrait limiter l’applicabilité du modèle à la population générale. Les chercheurs soulignent donc qu’il faut poursuivre ces investigations afin de confirmer que SleepFM pourra, à terme, faire partie intégrante des outils de dépistage de masse.
L’espoir est que cette technologie, encore en développement, permette un dépistage à grande échelle, simplifié et précis, pour prévenir efficacement des maladies graves avant leur apparition clinique visible. La voie est encore longue, mais ces premiers résultats illustrent déjà le potentiel considérable qu’offre la fusion entre médecine et intelligence artificielle dans la lutte contre les principales causes de mortalité et de morbidité.
Référence : Thapa, R., Kjaer, M.R., He, B., et al. – A multimodal sleep foundation model for disease prediction. Nature Medicine (2026).
