Une nouvelle étude soutenue par Apple met en lumière une approche innovante pour évaluer notre santé. Plutôt que de se fier uniquement aux mesures biométriques traditionnelles comme la fréquence cardiaque ou le taux d’oxygène, les chercheurs soulignent l’importance des données comportementales, notamment celles recueillies par les dispositifs portables. Cette approche pourrait révolutionner notre compréhension de la santé. Découvrons ensemble les détails de cette recherche fascinante.
Le modèle comportemental WBM
Intitulé « Beyond Sensor Data: Foundation Models of Behavioral Data from Wearables Improve Health Predictions », cet article préliminaire est le fruit de l’Apple Heart and Movement Study (AHMS). Les chercheurs ont mis au point un modèle fondamental, le WBM (Wearable Behavior Model), qui a été entraîné sur plus de 2,5 milliards d’heures de données recueillies via des dispositifs portables. Ce modèle a démontré des performances impressionnantes, dépassant même celles des modèles basés sur des données de capteurs classiques.
Contrairement aux modèles précédents qui s’appuyaient sur les signaux bruts des capteurs, tels que ceux de la fréquence cardiaque, le WBM se concentre sur des indicateurs comportementaux plus significatifs. Ces indicateurs incluent des mesures comme le nombre de pas, la stabilité de la démarche, la mobilité et d’autres éléments pertinents que l’Apple Watch génère en grande quantité.
Pourquoi un nouveau modèle alors que l’Apple Watch possède déjà ces capteurs ?
La réponse réside dans la nature des données. Les appareils portables comme les montres intelligentes fournissent une multitude d’informations sur divers aspects de la santé. Cependant, il est essentiel de détecter des états de santé statiques, comme des antécédents médicaux, ainsi que des états transitoires, comme la qualité du sommeil. Pour cela, les données comportementales sont bien plus adaptées.
Les données brutes des capteurs peuvent être bruyantes et difficiles à interpréter. En revanche, le WBM utilise des informations comportementales raffinées, offrant ainsi une vision plus claire des tendances de santé à long terme. Ce modèle s’appuie sur des algorithmes validés, permettant une analyse plus précise des comportements et de leur impact sur la santé.
En pratique, le WBM apprend des schémas présents dans les données comportementales traitées, plutôt que de s’appuyer uniquement sur des signaux bruts. Cela permet une meilleure détection des changements significatifs en matière de santé.
Aspects techniques du modèle WBM
Le WBM a été entraîné avec des données provenant de l’Apple Watch et de l’iPhone, impliquant 161 855 participants de l’AHMS. Plutôt que d’utiliser des flux de données bruts, le modèle a été alimenté avec 27 indicateurs comportementaux compréhensibles par l’homme, tels que l’énergie active, le rythme de marche, et la durée du sommeil.
Les données ont été segmentées en blocs hebdomadaires et traitées à l’aide d’une nouvelle architecture, Mamba-2, qui surpasse les transformateurs traditionnels pour ce type d’application. Les résultats sont impressionnants : le WBM a surpassé un modèle basé sur la PPG dans 18 sur 47 tâches de prédiction de santé statiques.
Les résultats ont montré que le modèle hybride, combinant les données du WBM et de la PPG, a atteint une précision de 92% pour la détection de la grossesse et a amélioré les prédictions concernant la qualité du sommeil et les infections. Ainsi, l’association des deux approches semble être la clé pour une surveillance de santé plus efficace.
