Longtemps considéré comme un simple outil de récupération, le sommeil pourrait bien devenir un indicateur avancé de la santé future. Une étude menée par des chercheurs de Stanford Medicine et publiée dans la revue Nature Medicine, relayée par Futura Sciences, révèle qu’une intelligence artificielle baptisée SleepFM est désormais capable d’exploiter les données de sommeil pour anticiper plus de 130 pathologies, allant de l’infarctus à la démence.

Ce qu'il faut retenir

  • Une étude de Stanford Medicine publiée dans Nature Medicine montre que le sommeil contient des informations précieuses pour prédire des maladies futures.
  • L’IA SleepFM, entraînée sur 600 000 heures de polysomnographies issues de 65 000 patients, analyse les interactions entre signaux physiologiques.
  • Le modèle a identifié plus de 130 pathologies potentiellement prédictibles à partir d’une seule nuit d’enregistrement.
  • Les prédictions ne reposent pas sur un seul signal, mais sur la combinaison de multiples données physiologiques.
  • Les chercheurs soulignent que certaines discordances entre signaux pourraient constituer des signaux d’alerte précoces.

Un pilier de la santé encore sous-estimé

Si l’alimentation et l’activité physique sont souvent citées comme les deux piliers de la santé, le sommeil en constitue un troisième, tout aussi essentiel. Pourtant, il reste bien souvent relégué au second plan. Une mauvaise qualité de sommeil ou un sommeil insuffisant peut favoriser la résistance à l’insuline, perturber le métabolisme, fragiliser le système cardiovasculaire ou encore affecter la santé mentale. Selon les auteurs de l’étude, ces effets visibles ne seraient que « la partie émergée de l’iceberg ». Les données recueillies lors des examens du sommeil, riches et variées, pourraient ainsi révéler bien plus que la simple qualité des nuits.

SleepFM : une IA capable de « lire » le langage du sommeil

Pour exploiter cette richesse de données, les chercheurs de Stanford Medicine ont développé un modèle d’intelligence artificielle unique en son genre : SleepFM. Contrairement aux algorithmes classiques, spécialisés dans une tâche précise, ce modèle appartient à la famille des « modèles de base ». Il apprend d’abord à reconnaître des structures générales dans des volumes massifs de données avant d’être adapté à des objectifs spécifiques. « SleepFM apprend en quelque sorte le langage du sommeil », résume James Zou, co-auteur de l’étude.

Entraîné sur près de 600 000 heures de polysomnographie issues d’environ 65 000 patients suivis dans plusieurs cliniques du sommeil, le modèle a été conçu pour intégrer une vision globale du fonctionnement du corps pendant le sommeil. Une méthode d’entraînement originale a consisté à masquer volontairement certains signaux, comme l’activité cardiaque, puis à demander au modèle de les reconstruire à partir des autres données disponibles. Cette approche a permis à l’IA d’acquérir une compréhension fine des interactions entre les différents signaux physiologiques.

Des prédictions médicales basées sur des interactions complexes

Une fois entraîné, SleepFM a d’abord été évalué sur des tâches classiques, comme l’identification des phases du sommeil ou l’estimation de la sévérité de l’apnée du sommeil. Mais son objectif principal était ailleurs : explorer la capacité du sommeil à révéler des risques de maladies bien au-delà des troubles du sommeil eux-mêmes. En croisant les données de l’IA avec des dossiers médicaux suivis sur plusieurs décennies, les chercheurs ont identifié plus de 130 pathologies potentiellement prédictibles à partir d’une seule nuit d’enregistrement.

« Pour toutes les paires d’individus possibles, le modèle établit un classement des personnes les plus susceptibles de subir un événement, comme une crise cardiaque, en premier », explique James Zou. « Un indice C de 0,8 signifie que dans 80 % des cas, la prédiction du modèle concorde avec la réalité. » Ces prédictions ne reposent pas sur un signal unique, mais sur la combinaison de multiples données physiologiques. « La meilleure source d’information ne provient pas d’un seul canal, mais de la façon dont les différents signaux interagissent entre eux », souligne Emmanuel Mignot, professeur de médecine du sommeil et co-auteur principal de l’étude.

Vers une nouvelle ère de la prévention personnalisée

Si SleepFM n’a pas vocation à poser un diagnostic individuel, il ouvre la voie à une approche plus précoce et plus personnalisée de la prévention. Selon les chercheurs, certaines discordances entre signaux physiologiques pourraient constituer des signaux d’alerte précoces. Par exemple, un cerveau semblant profondément endormi alors que le cœur reste très actif pourrait indiquer un risque accru de problèmes cardiovasculaires. À terme, l’intégration de données issues d’objets connectés pourrait encore affiner ces prédictions, transformant le sommeil en véritable indicateur avancé de la santé globale.

Cette avancée s’inscrit dans un contexte où la médecine preventive gagne en importance. Avec l’essor des technologies de santé connectée et des algorithmes d’IA, les outils permettant d’anticiper les maladies deviennent de plus en plus accessibles. Cependant, les chercheurs insistent sur la nécessité de valider ces résultats à plus grande échelle avant une éventuelle application clinique.

Et maintenant ?

Les prochaines étapes consisteront à tester SleepFM dans des environnements cliniques réels et à affiner ses prédictions grâce à l’intégration de nouvelles données, notamment celles issues d’objets connectés. Une validation à grande échelle, impliquant des milliers de patients suivis sur plusieurs années, sera nécessaire avant d’envisager une utilisation généralisée. D’ici là, les chercheurs explorent également la possibilité d’adapter ce modèle à d’autres types de données médicales, comme les enregistrements de l’activité cérébrale ou les biomarqueurs sanguins. Une chose est sûre : le sommeil n’a pas fini de révéler ses secrets.

Si cette étude marque une avancée majeure, elle soulève également des questions éthiques et pratiques. Comment garantir la protection des données médicales utilisées pour entraîner ces modèles ? Faut-il craindre une médicalisation excessive du sommeil, souvent perçu comme un simple besoin de récupération ? Autant de défis que la communauté médicale et scientifique devra relever dans les années à venir.

SleepFM analyse les interactions entre différents signaux physiologiques enregistrés lors des examens du sommeil, comme l’activité cérébrale, cardiaque ou respiratoire. En apprenant à reconnaître des structures générales dans ces données, l’IA peut identifier des patterns associés à des risques de maladies, même avant l’apparition de symptômes.

Non. À ce stade, SleepFM est un outil de recherche. Les chercheurs doivent encore valider ses prédictions à grande échelle et obtenir les autorisations réglementaires avant une éventuelle utilisation clinique. Plusieurs années de tests supplémentaires seront nécessaires.