Pendant la majeure partie de l’histoire de la médecine, le sommeil a été considéré comme un état passif, quelque chose que le corps fait pendant que les cliniciens attendent l’apparition des symptômes pendant les heures d’éveil. Deux études publiées dans Nature Communications et Nature Medicine remettent cette hypothèse en question de manière concrète. L’argument qu’elles avancent, prises ensemble, est que les données sur le sommeil contiennent déjà des signaux de santé que la pratique clinique actuelle ignore largement.
Les changements du sommeil avant le diagnostic, et non après
L’idée fondamentale qui sous-tend ces deux études n’est pas nouvelle, mais elle est sous-estimée. Des preuves croissantes, telles que le résume Rachel K. Rowe du Département de physiologie intégrative de l’Université du Colorado à Boulder, suggèrent que des modifications dans les habitudes de sommeil peuvent apparaître avant qu’une maladie ne soit formellement diagnostiquée. C’est le détail clé que la plupart des reportages sur la recherche sur le sommeil manquent.
Le modèle clinique standard fonctionne à l’inverse: un patient développe des symptômes, consulte, reçoit un diagnostic, puis un clinicien peut s’informer sur la qualité du sommeil comme préoccupation secondaire. La trajectoire de recherche décrite par Rowe pointe vers une séquence entièrement différente. La perturbation du sommeil n’est peut-être pas une conséquence de la maladie. Elle est peut-être un précurseur, un signal que quelque chose change dans le corps avant de devenir visible par les critères diagnostiques conventionnels.
Cette réorganisation de la cause et de l’effet a des implications significatives. Si les changements de sommeil précèdent le diagnostic, les données sur le sommeil deviennent alors utiles de manière prospective plutôt que rétrospectivement descriptive.
Deux études, une revendication partagée
L’étude de Bilal et al., publiée dans Nature Communications, et l’étude de Thapa et al., publiées dans Nature Medicine, parviennent à une conclusion partagée par le biais de ce qui semble être des approches complémentaires. Toutes deux sont décrites comme des foundation models, un terme issu de l’apprentissage automatique qui désigne de grands modèles formés sur de vastes ensembles de données et qui peuvent ensuite être adaptés à des tâches spécifiques.
Le cadre utilisé par Rowe pour décrire leur signification est précis et mérite d’être décortiqué: les données sur le sommeil contiennent substantiellement plus d’informations sur la santé que les cliniciens et les chercheurs n’en extraient actuellement. Il ne s’agit pas d’une affirmation sur ce que les données sur le sommeil pourraient théoriquement contenir. Il s’agit d’une affirmation sur un fossé entre ce qui est déjà présent dans les données et ce que la pratique actuelle utilise réellement.
Ce fossé est le véritable sujet des deux articles. La polysomnographie, l’outil clinique standard pour mesurer le sommeil, capture une gamme de signaux physiologiques, notamment l’activité cérébrale, la respiration et le mouvement. Les données qu’elle génère sont riches. Mais la manière dont ces données sont généralement analysées, centrées sur l’identification de troubles spécifiques comme l’apnée du sommeil, laisse la majeure partie du signal de côté. Les foundation models formés sur les données de sommeil sont conçus pour récupérer une partie de ce qui est jeté.
Les titres des deux articles explicitent cette ambition: l’un concerne «la stratification des risques basée sur le sommeil et les résultats cliniques», l’autre est décrit comme «un foundation model multimodal du sommeil pour la prédiction des maladies». La stratification des risques et la prédiction des maladies ne sont pas la même chose qu’un diagnostic. Elles interviennent plus tôt dans la chronologie, ce qui est précisément le point central.
Ce que cela signifie au-delà de la clinique
La portée plus large de cette recherche se situe à l’intersection des capacités de l’IA et de l’infrastructure médicale. La capacité d’entraîner de grands modèles sur des données de séries chronologiques physiologiques, et d’en extraire des signaux prédictifs, ne se limite pas au sommeil. Mais le sommeil est un domaine particulièrement utile pour plusieurs raisons.
Les données sur le sommeil sont déjà collectées à grande échelle. Les appareils portables, y compris les montres connectées grand public, génèrent des mesures continues liées au sommeil pour des millions de personnes. Les études cliniques sur le sommeil produisent des enregistrements polysomnographiques détaillés. L’infrastructure de données existe. Ce qui manquait, c’est le cadre analytique capable de traiter ces données comme une source de signaux de santé précoces plutôt que comme un enregistrement de la nuit précédente.
Les foundation models formés sur les données de sommeil pourraient, en principe, augmenter le travail des cliniciens en faisant surface des motifs qui ne seraient pas visibles par une interprétation standard. Un clinicien qui examine une étude sur le sommeil pour des épisodes d’apnée fait un travail. Un modèle formé pour identifier les signaux précoces d’un large éventail de conditions fait un travail différent, et les deux ne sont pas en concurrence. Le modèle gère le volume et la complexité de l’extraction des signaux, tandis que le clinicien interprète le résultat dans le contexte d’un patient spécifique.
C’est aussi un rappel que les applications les plus importantes de l’IA en médecine ne sont peut-être pas les plus spectaculaires, comme la chirurgie robotique ou le diagnostic en temps réel, mais les plus silencieuses: trouver des informations qui ont toujours été là, dans des données qui étaient déjà collectées, que personne n’avait les outils pour lire.
En bref
La perturbation du sommeil peut précéder le diagnostic d’une maladie, ce qui signifie que les données sur le sommeil peuvent contenir des signaux de santé précoces que la pratique clinique actuelle n’utilise pas pleinement. Deux foundation models, l’un publié dans Nature Communications par Bilal et al. et l’autre dans Nature Medicine par Thapa et al., sont conçus pour combler cette lacune. L’affirmation centrale, articulée par la chercheuse de l’Université du Colorado à Boulder Rachel K. Rowe, est directe: les données sur le sommeil contiennent beaucoup plus d’informations sur la santé qu’il n’en est extrait actuellement. L’IA ne remplace pas le jugement clinique ici. Elle lit un signal qui a toujours été présent mais qui était auparavant illisible à grande échelle.
D’après un reportage de Nature: Machine Learning.