Le sommeil est souvent perçu comme une variable d’ajustement : on en manque, on rattrape, on s’adapte. Pourtant, au même titre que l’alimentation et l’exercice physique, il constitue l’un des trois piliers fondamentaux de la santé.
Un sommeil insuffisant ou de mauvaise qualité peut favoriser la résistance à l’insuline, perturber le métabolisme, fragiliser le système cardiovasculaire ou encore affecter la santé mentale. Et si ces effets visibles n’étaient que la partie émergée de l’iceberg ? Des chercheurs américains viennent d’explorer une piste encore peu étudiée : ce que le sommeil pourrait révéler, très tôt, sur notre santé future.
Une intelligence artificielle entraînée à « lire » le sommeil
L’étude, menée par des chercheurs de Stanford Medicine et publiée dans la revue Nature Medicine, repose sur un constat simple : les examens du sommeil contiennent une quantité massive d’informations physiologiques encore très peu exploitées.
« Lorsque nous étudions le sommeil, nous enregistrons une quantité impressionnante de signaux, explique Emmanuel Mignot, professeur de médecine du sommeil et co-auteur principal de l’étude. Il s’agit d’une sorte de physiologie générale que nous observons pendant huit heures chez un sujet totalement immobile. Les données recueillies sont extrêmement riches ».
Pour tirer parti de cette richesse, les chercheurs ont développé un modèle d’intelligence artificielle baptisé « SleepFM ». Contrairement aux algorithmes classiques, conçus pour 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.
Une base de données sans équivalent
SleepFM a été entraîné sur près de 600 000 heures de données de polysomnographie, issues d’environ 65 000 patients suivis dans plusieurs cliniques du sommeil. L’objectif : permettre à l’IA d’apprendre les relations fines entre les différents signaux physiologiques, et non de se limiter à des indicateurs isolés.
« SleepFM apprend en quelque sorte le langage du sommeil », résume James Zou.
Les chercheurs ont également mis au point une méthode d’entraînement originale consistant à masquer volontairement certains signaux, par exemple l’activité cardiaque, et à demander au modèle de les reconstruire à partir des autres données disponibles. Cette approche a permis à l’IA d’intégrer une vision globale du fonctionnement du corps pendant le sommeil.
Souvent sous-diagnostiquée, l’apnée du sommeil expose à un risque accru de maladies cardiovasculaires et métaboliques. Une étude récente met en lumière le potentiel des données du sommeil pour mieux anticiper ces risques. © ajr_images, Adobe Stock
Du diagnostic du sommeil à la prédiction des maladies
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 l’objectif principal était ailleurs : explorer la capacité du sommeil à révéler des risques de maladies bien au-delà des troubles du sommeil eux-mêmes.
Grâce au croisement avec des dossiers médicaux suivis sur plusieurs décennies, le modèle a identifié plus de 130 pathologies pouvant être anticipées 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, une crise cardiaque, par exemple, en premier. Un indice C de 0,8 signifie que dans 80 % des cas, la prédiction du modèle concorde avec la réalité », a déclaré Zou.
Vers une nouvelle approche de la prévention
Les chercheurs soulignent que 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 », explique Emmanuel Mignot. Selon lui, certaines discordances, par exemple un cerveau semblant profondément endormi alors que le cœur reste très actif, pourraient constituer des signaux d’alerte précoces.
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. À terme, l’intégration de données issues d’objets connectés pourrait encore affiner ces prédictions, et transformer le sommeil en véritable indicateur avancé de la santé globale.