Une nouvelle étude soutenue par Apple affirme que les données comportementales (activité physique, sommeil, exercice, etc.) peuvent souvent constituer un signal de santé plus fort que les mesures biométriques traditionnelles telles que la fréquence cardiaque ou la saturation en oxygène sanguin. Pour le prouver, les chercheurs ont développé un modèle de référence entraîné sur des données comportementales collectées via des appareils portables, et les résultats sont étonnants.
Un modèle basé sur des données comportementales
Ce papier préliminaire, Beyond Sensor Data: Foundation Models of Behavioral Data from Wearables Improve Health Predictions, est le fruit de l’Apple Heart and Movement Study (AHMS). Les chercheurs ont entraîné un nouveau modèle de référence sur plus de 2,5 milliards d’heures de données provenant de dispositifs portables, prouvant ainsi qu’il peut égaler, voire surpasser, les modèles existants fondés sur des données de capteurs basiques.
Ce modèle, appelé WBM (Wearable Behavior Model), se distingue des précédents modèles de santé qui reposaient principalement sur des flux de capteurs bruts comme celui de la fréquence cardiaque de l’Apple Watch (PPG) ou son électrocardiogramme (ECG). WBM apprend directement à partir de métriques comportementales de niveau supérieur : nombre de pas, stabilité de la marche, mobilité, VO₂ max, et bien d’autres, toutes produites en abondance par l’Apple Watch.
Pourquoi ce nouveau modèle alors que l’Apple Watch a déjà ces capteurs ?
Excellente question. La réponse réside dans l’étude :
« Les dispositifs portables de consommation, tels que les montres intelligentes et les trackers d’activité, offrent une information riche à travers divers domaines de la santé. Un aspect important de la surveillance de la santé est la détection d’un état de santé statique, comme par exemple, l’historique de tabagisme, un diagnostic passé d’hypertension, ou la prise de bêta-bloquants. Un autre problème crucial est la détection d’un état de santé transitoire, tel que la qualité du sommeil ou si quelqu’un est actuellement enceinte. »
Ces caractéristiques rendent les données comportementales particulièrement prometteuses pour ces tâches de détection de santé. Par exemple, les métriques de mobilité qui caractérisent le mode de marche et les niveaux d’activité peuvent être des facteurs comportementaux essentiels pour détecter un changement d’état de santé, comme une grossesse.
Les détails techniques
WBM a été entraîné sur les données de l’Apple Watch et de l’iPhone provenant de 161 855 participants à l’étude AHMS. Au lieu de flux bruts, le modèle a été alimenté avec 27 métriques comportementales facilement interprétables, telles que l’énergie active, le rythme de marche, la variabilité de la fréquence cardiaque, le taux de respiration et la durée du sommeil.
Les données ont été segmentées en blocs hebdomadaires et traitées par une nouvelle architecture basée sur Mamba-2, qui a démontré de meilleures performances que les Transformers traditionnels pour cette utilisation.
Une précision impressionnante
Lors de l’évaluation sur 57 tâches liées à la santé, WBM a surpassé un modèle basé sur le PPG dans 18 des 47 tâches de prédiction statique (comme la prise de bêta-bloquants) et dans toutes les tâches dynamiques, exception faite du diabète, où le PPG a prévalu. Mieux encore, la combinaison des représentations de données WBM et PPG a produit les résultats les plus précis. Le modèle hybride a atteint une précision impressionnante de 92 % pour la détection de grossesse.
