Des millions de jours de données Apple Watch: le modèle IA JETS du MIT, basé sur JEPA, détecte l’hypertension et d’autres troubles avec une AUROC élevée.
© A. Krivonosov
En s’appuyant sur trois millions de jours de données issues de l’Apple Watch, des chercheurs du MIT et d’Empirical Health ont mis au point un modèle d’IA capable de signaler des maladies avec une assurance remarquable. Le système repose sur l’architecture JEPA proposée par Yann LeCun, qui entraîne les réseaux neuronaux à déduire le sens de données manquantes plutôt qu’à combler littéralement les vides. Pour des signaux hachés et intermittents, typiques des objets connectés, cette logique s’impose presque naturellement.
L’équipe a analysé les enregistrements de 16 522 participants sur plusieurs années, couvrant 63 types de mesures liées à la fonction cardiaque, à la respiration, au sommeil, à l’activité et à des indicateurs de santé généraux. Seules 15 % des personnes avaient des diagnostics médicaux, mais le modèle — baptisé JETS — a appris à partir de l’ensemble du corpus avant d’être affiné sur la portion étiquetée. Une manière de capter les motifs de la vie réelle, pas seulement ceux des dossiers cliniques.
Pour adapter JEPA aux séries temporelles, les chercheurs ont converti chaque observation en jeton, appliqué un masquage et entraîné le modèle à prédire des représentations cachées. Après l’entraînement, ils ont comparé JETS à plusieurs architectures de référence solides, et les résultats se démarquent. Le modèle atteint une AUROC de 86,8 % pour l’hypertension, 81 % pour le syndrome de fatigue chronique et 86,8 % pour la dysfonction du nœud sinusal.
L’AUROC n’est pas une mesure de précision au sens strict, mais indique à quel point un modèle sépare les cas probables des cas improbables. Même avec ce prisme, l’avantage de JETS sur les approches classiques ressort nettement. Les auteurs soulignent que les objets portables disposent encore d’un potentiel médical largement inexploité, et que de nouvelles architectures savent tirer parti de données autrefois jugées trop lacunaires ou irrégulières.
En somme, l’étude laisse entendre que des appareils du quotidien comme l’Apple Watch peuvent devenir de véritables systèmes d’alerte précoce — à condition d’entraîner les modèles autrement, non pas en exigeant des entrées impeccables, mais en apprenant à lire le monde à travers des signaux incomplets. Une conclusion sobre, mais lourde de promesses pour la prévention.