Une équipe de chercheurs de Stanford Medicine et de collaborateurs a développé un système d’intelligence artificielle, baptisé SleepFM, capable d’analyser une seule nuit de sommeil pour estimer le risque de développer plus de 100 maladies différentes. Ce modèle repose sur près de 600 000 heures de données de polysomnographie — un examen complet du sommeil utilisant plusieurs capteurs pour mesurer l’activité cérébrale, la fréquence cardiaque, la respiration, les mouvements oculaires et musculaires — provenant de 65 000 individus. Ces données, collectées dans un cadre clinique, sont considérées comme le standard d’or pour l’évaluation du sommeil, mais leur potentiel diagnostique à long terme reste largement sous-exploité. Emmanuel Mignot, professeur de médecine du sommeil à Stanford et co-auteur principal de l’étude publiée le 6 janvier dans Nature Medicine, souligne que le sommeil offre une fenêtre unique sur la physiologie humaine : « Pendant huit heures, nous observons un sujet complètement immobile, captif, avec une quantité énorme de signaux biologiques enregistrés. » Malgré cette richesse, seules une fraction de ces données est analysée en pratique clinique courante. L’avènement des modèles d’intelligence artificielle permet désormais d’exploiter ces ensembles de données massifs de manière plus complète. James Zou, professeur associé en sciences des données biomédicales et co-auteur principal, explique que le sommeil est encore peu étudié par l’IA comparé à d’autres domaines comme la cardiologie ou la pathologie. SleepFM est un modèle fondamental — une IA entraînée sur des données massives pour apprendre des patterns généraux — qui traite chaque enregistrement en segments de cinq secondes, analogues aux mots dans un modèle de langage comme ChatGPT. Grâce à une méthode innovante appelée « apprentissage contrastif en laissant une modalité de côté », le modèle apprend à reconstruire une donnée manquante (par exemple, les battements cardiaques) à partir des autres signaux, ce qui lui permet de comprendre les interactions entre les différents systèmes corporels. Après entraînement, SleepFM a surpassé ou égalé les performances des modèles existants pour des tâches classiques comme le diagnostic de l’apnée du sommeil ou la classification des stades du sommeil. Son véritable potentiel émerge lorsqu’il s’agit de prédire des maladies futures. En croisant les données de sommeil avec des dossiers médicaux suivis jusqu’à 25 ans, les chercheurs ont identifié 130 conditions prédictibles avec une précision raisonnable. Les meilleurs résultats ont été obtenus pour des maladies comme le cancer du sein (indice C de 0,87), le cancer de la prostate (0,89), la maladie d’Alzheimer (0,85), la maladie cardiaque hypertensive (0,84), les accidents cardiovasculaires (0,81) et la maladie de Parkinson (0,89). L’indice C, qui mesure la capacité d’un modèle à classer correctement les individus par risque, indique que SleepFM a une performance supérieure à 80 % dans de nombreuses prédictions. Pour Zou, ces résultats sont prometteurs, car des modèles avec un indice C de 0,7 sont déjà utilisés en clinique. Les chercheurs explorent maintenant les mécanismes internes du modèle à l’aide de techniques d’interprétabilité. Ils ont observé que les signaux cardiaques sont plus pertinents pour les maladies cardiovasculaires, tandis que les signaux cérébraux prédominent pour les troubles mentaux, mais que la combinaison de toutes les données donne les meilleurs résultats. Des désynchronisations entre systèmes — par exemple, un cerveau endormi mais un cœur actif — semblent être des indicateurs précoces de problèmes de santé. Les auteurs principaux sont Rahul Thapa (Stanford) et Magnus Ruud Kjaer (Université technique du Danemark). L’étude a été financée par les NIH, les bourses Knight-Hennessy et le Chan-Zuckerberg Biohub. Cette avancée ouvre la voie à une médecine prédictive basée sur le sommeil, avec des perspectives prometteuses pour la détection précoce de maladies graves à partir d’un simple examen nocturne.