🤖 machine learning

OpenMHC: Accelerating the Science of Wearable Foundation Models

Cet article présente OpenMHC, un ensemble de données complet en libre accès contenant plus de 60 millions d'heures de données de santé issues de dispositifs portables provenant de près de 12 000 participants, ainsi que des implémentations en code source ouvert de modèles de fondation et un benchmark unifié, afin de démocratiser et d'accélérer la recherche dans le domaine de l'IA appliquée à la santé connectée.

Auteurs originaux : Narayan Schuetz, Yuze Bai, Lianggang Pan, Edgar Eggert, Favour Nerrise, Juan Delgado-SanMartin, Max Rosenblattl, Milana Gurbanova, Mohammad Asadi, Anders Johnson, Paul Schmiedmayer, Dennis Wang, Allan

Publié 2026-07-22

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Narayan Schuetz, Yuze Bai, Lianggang Pan, Edgar Eggert, Favour Nerrise, Juan Delgado-SanMartin, Max Rosenblattl, Milana Gurbanova, Mohammad Asadi, Anders Johnson, Paul Schmiedmayer, Dennis Wang, Allan Lawrie, Daniel Seung Kim, Xin Liu, Akshay Paruchuri, Ehsan Adeli, Euan Ashley, Kelly W. Zhang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que votre montre connectée soit un détective minuscule et infatigable qui ne dort jamais. Chaque minute de la journée, elle murmure des secrets à votre téléphone : le nombre de pas que vous avez faits, la vitesse à laquelle votre cœur s'est emballé, la profondeur de votre sommeil et même le nombre d'étages que vous avez conquis. Depuis des années, les scientifiques cherchent à apprendre aux ordinateurs à écouter ces murmures pour mieux comprendre notre santé. Ils appellent ces ordinateurs super intelligents des « modèles de fondation » (foundation models). Imaginez-les comme un chef étoilé qui aurait goûté tous les plats du monde ; une fois qu'il a appris les saveurs, il peut inventer de nouvelles recettes ou repérer instantanément un ingrédient de mauvaise qualité. Mais voici le problème : pour devenir un grand chef, il faut une cuisine immense remplie d'ingrédients. Dans le monde des données de santé, les plus grandes cuisines sont restées verrouillées derrière des portes closes, appartenant à de grandes entreprises technologiques, laissant les chercheurs avec seulement de minuscules placards vides. Sans assez de données, ces chefs de l'IA ne peuvent pas apprendre toute l'histoire de la façon dont nos corps bougent et ressentent les choses.

C'est là qu'une équipe de chercheurs de Stanford, de l'Imperial College London et d'autres intervient avec une clé géante. Ils ont déverrouillé les portes de l'étude « My Heart Counts », une expérience de santé numérique qui dure depuis plus d'une décennie. Ils publient un trésor appelé OpenMHC. Ce n'est pas seulement un petit en-cas ; c'est un festin de plus de 67 millions d'heures de données provenant de wearables, issues de près de 12 000 personnes. Cela comprend tout, du nombre de pas à la fréquence cardiaque, en passant par les cycles de sommeil et les journaux d'entraînement, collectés via des iPhones et des Apple Watches. En plus de ce jeu de données gigantesque, ils partagent également les « recettes » (le code) et les « chefs entraînés » (les modèles d'IA) qu'ils ont construits pour le tester. Leur objectif est de permettre à n'importe qui, n'importe où, de tenter de concocter de nouvelles façons de prédire les problèmes de santé, de combler les données manquantes ou de prévoir comment nos corps pourraient se comporter demain.

Note importante sur les ingrédients : Avant de commencer à cuisiner, il est important de savoir que cette cuisine présente certaines particularités. Les personnes ayant contribué aux données sont principalement issues des États-Unis, et le groupe est biaisé en faveur des hommes blancs d'une trentaine d'années. Cela signifie que les « saveurs » que l'IA apprend pourrait ne pas convenir exactement à tout le monde dans le monde. De plus, comme il s'agissait d'une étude numérique, toutes les informations de santé (comme le fait de souffrir de diabète ou de se sentir heureux) ont été auto-déclarées par les utilisateurs. Cela introduit du « bruit » ou de l'incertitude dans les étiquettes, ce qui peut rendre plus difficile l'apprentissage de modèles par l'IA. Enfin, l'IA est conçue pour détecter des traits de santé basés sur les données collectées au moment de l'enquête, et non pour prédire des événements médicaux futurs comme une crise cardiaque survenant l'année prochaine.

La grande révélation : Ce qu'ils ont découvert

Les chercheurs n'ont pas seulement déversé les données ; ils ont construit un immense terrain de jeu pour voir quels modèles d'IA pouvaient réellement donner un sens à tout cela. Ils ont mis en place trois défis principaux :

La Prédiction : L'IA peut-elle deviner vos traits de santé (comme si vous avez du diabète ou si vous êtes heureux) rien qu'en regardant les données de votre montre ?
L'Imputation (Combler les blancs) : Comme les gens retirent leur montre pour se doucher ou la charger, les données présentent des trous. L'IA peut-elle deviner ce qui s'est passé pendant ces minutes manquantes ?
La Prévision : L'IA peut-elle prédire à quoi ressemblera votre activité au cours des prochaines 24 heures ?

Voici ce qu'ils ont découvert :

1. Le « Chef spécialisé » gagne, mais le « Cuisinier simple » reste coriace
Lorsqu'ils ont testé différents modèles d'IA, un modèle appelé LSM-2 (un type de modèle de fondation entraîné spécement sur des données de wearables) s'est avéré être le meilleur chef global. Il était le plus constant pour prédire les résultats de santé et combler les données manquantes. Cependant, les chercheurs ont découvert quelque chose de surprenant : un modèle beaucoup plus simple et ancien, nommé XGBoost (qui est comme une calculatrice très organisée basée sur des règles), arrive très près en deuxième position. En fait, pour certaines tâches, le modèle simple était tout aussi performant que l'IA complexe et sophistiquée. Cela suggère que, bien que la grande IA soit puissante, nous ne devrions pas supposer que « plus complexe » signifie toujours « meilleur ». Parfois, un outil simple et bien réglé fait des miracles.

2. Les grands modèles de langage (comme les chatbots) ont eu du mal
L'équipe a également essayé d'utiliser de grands modèles de langage (ceux qui écrivent des essais et discutent avec vous) pour résoudre ces énigmes de santé. Ils ont injecté les données sous forme de texte ou d'images de graphiques. Le résultat ? Ces chatbots géants ont généralement moins bien performé que les modèles de santé spécialisés et même que les simples calculateurs. Il semble que pour lire le « langage » spécifique des battements de cœur et des pas, un outil spécialisé soit bien plus efficace qu'un outil polyvalent.

3. La mémoire à long terme aide
Lorsqu'il s'agissait de combler les données manquantes (imputation), les modèles capables d'examiner l'historique d'un utilisateur sur plusieurs jours étaient bien plus performants que ceux qui ne regardaient qu'une seule journée. C'est comme essayer de deviner ce que quelqu'un fait en ce moment : si vous ne le voyez qu'une minute, vous pourriez vous tromper. Mais si vous savez qu'il part habituellement courir à 18h, vous pouvez faire une supposition bien plus intelligente. L'article suggère que l'utilisation de l'historique à long terme d'un utilisateur est la clé pour rendre ces modèles plus intelligents.

4. L'équité est cruciale
Les chercheurs ont également vérifié si les modèles traitaient tout le monde de manière égale. Ils ont constaté que, bien que les modèles d'IA sophistiqués soient précis, ils commettaient parfois de plus grandes erreurs pour certains groupes de personnes (comme différentes tranches d'âge ou genres) par rapport aux modèles plus simples. C'est un rappel crucial : alors que nous construisons ces outils de santé, nous devons nous assurer qu'ils fonctionnent équitablement pour tous, et pas seulement pour la majorité.

Pourquoi cela change la donne

Avant ce papier, si vous vouliez construire une IA pour comprendre les données de santé des wearables, vous étiez bloqué. Vous ne pouviez pas obtenir les données et vous ne pouviez pas voir comment les grandes entreprises entraînaient leurs modèles. C'était comme essayer d'apprendre à piloter un avion sans jamais avoir vu de cockpit.

OpenMHC change la donne en offrant à tout le monde le cockpit, le manuel de vol et le simulateur d'entraînement. En publiant les données de 11 894 participants s'étalant sur 13 ans, ainsi que le code pour faire fonctionner les modèles, les auteurs ont démocratisé le domaine. Ils ne prétendent pas avoir résolu tous les mystères de la santé ; en fait, ils admettent que pour certaines conditions, l'IA a encore du mal à battre une simple base de référence en raison de la nature des données auto-déclarées. Mais ils ont posé les fondations pour que l'ensemble de la communauté scientifique puisse commencer à cuisiner, expérimenter et, espérons-le, découvrir de nouvelles façons de nous maintenir en bonne santé. La cuisine est désormais ouverte, et les ingrédients sont prêts pour quiconque souhaite les utiliser.

Résumé Technique : OpenMHC : Accélérer la science des modèles de fondation pour les wearables

Problématique

Bien que les appareils mobiles et les objets connectés (wearables) offrent des opportunités sans précédent pour un suivi de santé continu et passif, le domaine de l'IA de santé pour les wearables est entravé par un manque de données ouvertes et à grande échelle. Les principaux modèles de fondation pour wearables sont généralement entraînés sur des ensembles de données propriétaires qui ne sont pas publics, et leurs poids de modèle ainsi que leur code d'entraînement sont rarement diffusés en open-source. Les ensembles de données publics existants sont souvent de petite taille, utilisent des capteurs spécialisés de type recherche, ou manquent de la profondeur longitudinale et de la diversité nécessaires pour entraîner et évaluer des modèles de fondation. Ce cloisonnement des données limite la reproductibilité, la participation plus large de la communauté et la capacité d'établir des benchmarks standardisés pour comparer les modèles à travers divers domaines de la santé.

Méthodologie

Les auteurs abordent ces lacunes par la curation d'OpenMHC (OpenMyHeartCounts), un ensemble de données complet et en libre accès ainsi qu'un benchmark dérivés de l'étude My Heart Counts (MHC), une étude de santé cardiovasculaire à grande échelle menée à l'Université de Stanford.

1. L'ensemble de données OpenMHC

Échelle et portée : L'ensemble de données comprend des enregistrements longitudinaux de 11 894 participants consentants collectés sur une période de 13 ans (2012–2025). Il contient 67 millions d'heures de données de wearables à résolution de minute.
Modalités de données :
- Données de capteurs passifs : 19 canaux de capteurs à résolution de minute, incluant le nombre de pas, la distance, les étages grimpés, la fréquence cardiaque, l'énergie active, le sommeil (endormi/au lit) et 10 types d'exercices physiques. Les données proviennent d'Apple HealthKit via des iPhones et des Apple Watches (et d'autres appareils compatibles).
- Variables liées : 169 variables auto-déclarées et éparses de HealthKit couvrant la démographie, les conditions médicales, les constantes vitales, les biomarqueurs, le bien-être mental, le sommeil et le mode de vie.
Démographie : Les participants sont principalement originaires des États-Unis (~90 %), avec de plus petites cohortes du Royaume-Uni et de Hong Kong. La cohorte couvre 92 modèles d'appareils distincts et comprend des utilisateurs ayant jusqu'à 10,7 ans d'historique de données, bien que la participation médiane soit plus courte en raison de l'attrition typique de la mSanté.
Prétraitement : Les auteurs ont développé un pipeline rigoureux pour construire des matrices quotidiennes à résolution de minute ( $19 \times 1440$ ), gérant l'hétérogénéité des appareils, les données manquantes (temps de non-port) et les valeurs aberrantes physiologiques. Ils définissent des heuristiques spécifiques pour la détection de non-port et l'imputation de données manquantes.

2. Le benchmark OpenMHC

Pour permettre une évaluation standardisée, les auteurs ont établi un benchmark unifié comprenant trois pistes :

Piste 1 : Tâches prédictives : 32 tâches supervisées à travers cinq domaines (Démographie, Conditions Médicales, Constantes Vitales & Biomarqueurs, Bien-être Mental, Sommeil & Mode de Vie). Les tâches incluent la classification binaire, la classification ordinale et la régression.
Piste 2A : Génératif (Imputation) : Évaluation des méthodes de reconstruction des données de capteurs manquantes. Cela inclut l'Imputation sur une seule journée (masquage au sein d'une fenêtre de 24 heures) et l'Imputation à long contexte (exploitant jusqu'à 7 jours d'historique). Les stratégies de masquage simulent les défaillances du monde réel : structurelles (bruit aléatoire, tranches temporelles, perte de signal) et sémantiques (écarts de sommeil, écarts d'exercices, échecs d'intensité).
Piste 2B : Génératif (Prévision) : Prévision à résolution horaire des prochaines 24 heures de données de wearables basées sur les trajectoires historiques.

3. Cadre d'évaluation

Le benchmark utilise des Métriques d'Évaluation Unifiées pour agréger les performances à travers des tâches hétérogènes :

Score de Compétence (Skill Score, $S$ ) : Mesure la réduction relative de l'erreur par rapport à un modèle de référence fixe (ex: Linéaire pour la prédiction, LOCF pour l'imputation, Seasonal Naive pour la prévision).
Rang Moyen : Évalue la cohérence à travers les tâches.
Score de Compétence d'Équité (Fairness Skill Score) : Évalue la parité de performance entre les sous-groupes démographiques sensibles (sexe et âge).

Principales Contributions

Publication d'OpenMHC : Le plus grand et le plus complet ensemble de données de santé pour wearables en libre accès à ce jour, permettant le pré-entraînement et l'évaluation à grande échelle de modèles de fondation sur des données de consommation réelles.
Premier Benchmark Public à Grande Échelle : Une suite d'évaluation standardisée couvrant les tâches de prédiction, d'imputation et de prévision qui reflète la complexité des données de wearables du monde réel (données manquantes, échantillonnage irrégulier, hétérogénéité).
Implémentations Open-Source : Les auteurs fournissent les premières implémentations open-source de modèles de fondation récents pour les wearables, spécifiquement le modèle WBM (Wearable Health Behavior) d'Apple et le LSM-2 (Large Sensor Model) de Google, aux côtés de baselines classiques (XGBoost, MultiRocket, GRU-D) et de modèles de fondation pour séries temporelles (Chronos-2, Toto).

Résultats

Les auteurs ont évalué une gamme de modèles sur le benchmark OpenMHC :

Tâches Prédictives (Piste 1) :
- LSM-2 (auto-encodeur masqué de Google) a obtenu la meilleure performance globale (Rang Moyen $R=2,20$ , Score de Compétence $S=+15,1\%$ ), surpassant les autres modèles de fondation et les méthodes classiques.
- XGBoost était le concurrent le plus proche ( $R=3,52$ , $S=+11,6\%$ ), particulièrement performant dans la Démographie, soulignant que des modèles simples bien ajustés restent très compétitifs.
- WBM (modèle contrastif d'Apple) a sous-performé dans ce contexte, probablement en raison de sa dépendance à des segments hebdomadaires contigus, ce qui réduit les données utilisables compte tenu de la nature parcellaire du port réel.
- GRU-D a obtenu le score d'équité le plus élevé, suggérant une meilleure parité de performance entre les sous-groupes démographiques.
- LLMs : Les LLM de la famille Gemini évalués en réglages zero-shot et few-shot ont généralement sous-performé la baseline Linéaire, échouant à extraire un signal suffisant des représentations textuelles ou visuelles des données.
Imputation (Piste 2A) :
- LSM-2-Sparse (contexte de 7 jours) a obtenu les meilleurs résultats ( $S=+64,7\%$ ), surpassant de manière significative les baselines statistiques et d'autres modèles neuronaux comme BRITS et DLinear.
- Les résultats suggèrent que les modèles entraînés spécifiquement sur des schémas de données manquantes réalistes (comme LSM-2) généralisent mieux aux lacunes structurées trouvées dans les données de wearables que les modèles entraînés sur un masquage aléatoire.
Prévision (Piste 2B) :
- Chronos-2 (fine-tuné) a obtenu la meilleure performance globale ( $R=3,56$ , $S=+37,6\%$ ).
- Cependant, les modèles de fondation ont montré des scores d'équité plus faibles par rapport à DLinear, indiquant que les gains de précision ne se traduisaient pas nécessairement par des performances équitables entre les groupes démographiques.

Signification et Revendications

L'article affirme qu'OpenMHC démocratise la recherche en IA de santé pour les wearables en fournissant l'infrastructure nécessaire (données, code, benchmarks) pour une science reproductible. Les points clés dérivés de l'étude incluent :

Les objectifs de pré-entraînement comptent : Le choix de l'objectif de pré-entraînement (ex: reconstruction masquée vs apprentissage contrastif) impacte significativement la performance en aval (le modèle de reconstruction masquée semblant mieux adapté à la nature parcellaire et irrégulière des données de wearables).
Simplicité vs Complexité : Des modèles simples et bien ajustés (comme XGBoost) restent hautement compétitifs face aux architectures complexes de deep learning, mettant en garde contre une complexité inutile.
Contexte Longitudinal : L'exploitation d'un historique personnel étendu (ex: fenêtres de 7 jours) apporte des bénéfices clairs pour l'imputation et la prévision, pointant vers une direction prometteuse pour les recherches futures.
L'accès aux données est le goulot d'étranglement : Le domaine n'est pas limité par des contraintes algorithmiques mais par l'accès aux données ; OpenMHC vise à lever cette barrière pour favoriser une large participation de la communauté et accélérer les progrès.

Les auteurs notent explicitement des limites, notamment le biais démographique (majoritairement blanc, masculin, basé aux USA) et le fait que les résultats sont auto-déclarés plutôt que cliniquement validés, ce qui signifie que les tâches sont formulées comme de la détection/caractérisation plutôt que de la prédiction d'événements cliniques prospectifs.