Une étude d’Apple révèle l’importance des données comportementales pour la santé
- Les données comportementales des Apple Watch sont plus pertinentes que les données biométriques pour évaluer la santé.
- Le modèle WBM utilise ces données pour mieux prédire certains états de santé, surpassant d’autres méthodes.
- Combiner WBM et PPG améliore la précision dans le diagnostic médical et l’évaluation de l’âge biologique.
- Ce modèle pourrait améliorer la gestion proactive de la santé via les dispositifs portables, mais soulève des questions sur la sécurité des données.
Une nouvelle étude scientifique parrainée par Apple souligne que les informations comportementales dérivées des capteurs de l’Apple Watch, telles que l’activité physique, la forme cardiovasculaire et les mesures de mobilité, sont souvent plus pertinentes pour évaluer la santé d’une personne que les simples données biométriques. Ce travail, basé sur une recherche plus large, met en avant un modèle nommé WBM.
L’initiative s’inscrit dans une série d’études menées par Apple depuis plusieurs années, touchant divers aspects de la santé. Selon l’étude intitulée « Au-delà des données de capteurs : les modèles de fondation de données comportementales provenant des appareils portables améliorent les prévisions de santé », les comportements observés grâce aux montres connectées peuvent servir d’indicateurs significatifs.
Le modèle WBM
Pour étayer leurs conclusions, les chercheurs ont élaboré le modèle WBM (modèle de fondation de comportement de santé portable). Ce modèle a été formé à partir des données comportementales recueillies auprès de 162 000 participants, dont plus de 15 milliards de mesures horaires issues de l’étude Apple Heart and Movement.
Ainsi, au lieu d’analyser simplement des données brutes fournies par les capteurs, le WBM se fonde sur « 27 quantités interprétables relatives à la santé » comme le temps consacré à l’exercice ou les niveaux d’oxygène sanguin. Les chercheurs expliquent : « Par rapport à la modélisation des données brutes, ces mesures sont choisies en raison de leur alignement sur des états physiologiques significatifs ». Ces approches montrent une meilleure capacité à prédire certains états sanitaires comparativement aux méthodes traditionnelles.
Le modèle a été testé sur 57 tâches liées à la santé et a surpassé un modèle PPG (photopléthysmographie) dans plusieurs situations. Par exemple, il a mieux prédit les états statiques tels que l’utilisation de bêta-bloquants en détectant plus efficacement les variations du rythme cardiaque au fil du jour.
Approche hybride PPG + WBM
Les chercheurs ont également examiné un mélange entre le modèle PPG et le WBM. Cette approche combinée a permis d’améliorer considérablement la précision prédictive concernant certains diagnostics médicaux. Ils notent : « La combinaison atteint les meilleures performances prédictives d’âge sur tous les modèles considérés ».
Cette méthode est notamment efficace pour déterminer un état transitoire tel que la grossesse où il faut croiser diverses sources d’information pour établir un diagnostic fiable. Globalement, ce nouvel outil s’est avéré performant dans 42 des 47 situations testées.
Applications futures
L’application concrète du modèle WBM pourrait représenter une avancée significative pour Apple qui maintient son intérêt dans le domaine sanitaire avec ses technologies innovantes comme celles intégrées dans l’Apple Watch ou ECG (électrocardiogramme). L’étude laisse donc présager un futur enrichi en fonctionnalités liées à la gestion proactive et préventive des soins de santé via ces dispositifs portables.
Les implications soulevées par cette recherche pourraient transformer notre manière d’aborder le suivi médical personnel tout en posant certaines questions quant à la collecte et au traitement sécurisés des informations personnelles sensibles.
