Wearable-derived physiological features for trans-diagnostic disease comparison and classification in the All of Us longitudinal real-world dataset

En analysant des données de dispositifs portables issues de la cohorte « All of Us », cette étude démontre que l'intégration de signaux physiologiques améliore significativement la classification transdiagnostique de diverses maladies chroniques, en particulier les troubles de santé mentale comme la dépression et l'anxiété.

L'essentiel

Imaginez que votre montre connectée ou votre bracelet d'activité soit un journal intime secret qui enregistre tout ce que votre corps fait, même quand vous dormez. Il note votre rythme cardiaque, vos pas, la qualité de votre sommeil, et bien plus encore, 24 heures sur 24.

Jusqu'à présent, les médecins et les chercheurs utilisaient ces données un peu comme on regarderait une seule photo : on étudiait le bracelet pour voir s'il pouvait prédire le diabète, puis une autre fois pour voir s'il pouvait prédire la dépression, mais on ne les comparait jamais entre eux. C'est comme essayer de comprendre la météo en regardant seulement la pluie, sans jamais regarder le vent ou le soleil.

L'histoire de cette étude

Des chercheurs ont décidé de changer de méthode. Ils ont pris les données de 9 301 personnes (issues d'une immense base de données américaine appelée "All of Us") qui portaient leur Fitbit pendant au moins trois semaines. Ils ont regardé non pas une seule maladie, mais un véritable "panier de fruits" de problèmes de santé : des maladies du cœur, du diabète, des troubles du sommeil, mais aussi de la dépression, de l'anxiété et d'autres troubles de l'humeur.

Ils ont posé une question simple : Si on donne à un ordinateur intelligent (une intelligence artificielle) ces données de montre connectée, pourra-t-il mieux deviner si une personne a une maladie, par rapport à si on ne lui donnait que son âge, son poids et son mode de vie habituel ?

Les résultats : La montre comme un super-pouvoir

La réponse est un grand OUI.

Imaginez que vous essayiez de deviner si quelqu'un a un rhume. Si vous ne regardez que son âge, vous avez un peu de chance. Mais si vous écoutez aussi sa toux, sa température et son nez qui coule, vous êtes beaucoup plus sûr. C'est exactement ce qui s'est passé ici.

• Le saut de performance : Ajouter les données de la montre (rythme cardiaque, sommeil, activité) a permis aux modèles informatiques de devenir beaucoup plus précis pour détecter les maladies.
• Les grands gagnants : Les progrès ont été spectaculaires pour les troubles mentaux. Pour la dépression majeure et l'anxiété, l'ajout des données de la montre a été comme ajouter une loupe magique : la capacité à détecter ces maladies a bondi de manière significative.
• Le cas particulier : Pour le TDAH (trouble de l'attention), les résultats étaient un peu plus flous, probablement parce qu'il y avait moins de personnes concernées dans l'étude, un peu comme essayer de trouver une aiguille dans une paille avec un petit tas de paille au lieu d'un grand tas.

Ce que la montre nous a appris sur le sommeil

En regardant de plus près pourquoi la montre fonctionnait si bien, les chercheurs ont découvert des indices fascinants. Par exemple, ils ont vu que ce n'est pas seulement la durée du sommeil profond ou du sommeil paradoxal (le rêve) qui compte, mais aussi la régularité.

C'est comme si votre corps avait un métronome interne. Si ce métronome est déréglé (vos nuits de rêve varient trop d'un jour à l'autre), c'est un signal d'alarme que votre montre capte, même avant que vous ne vous sentiez malade.

En résumé

Cette étude nous dit que nos montres connectées ne sont pas juste des gadgets pour compter les pas. Elles sont devenues de véritables sentinelles de santé. En combinant ces données avec les visites chez le médecin, nous pourrons bientôt avoir des outils capables de nous dire : "Attention, votre corps envoie des signaux étranges, il serait bon de vérifier votre santé mentale ou physique."

C'est une première étape vers un futur où la médecine ne se contente pas de réagir quand on est malade, mais où elle utilise nos propres données quotidiennes pour nous aider à rester en bonne santé, un peu comme un GPS qui vous prévient des embouteillages avant même que vous ne les voyiez.

Résumé technique

Résumé Technique : Caractéristiques physiologiques dérivées des dispositifs portables pour la comparaison et la classification trans-diagnostique

1. Problématique

Les dispositifs portables (wearables) tels que les trackers d'activité et les montres connectées génèrent des données physiologiques continues (fréquence cardiaque, activité physique, sommeil) associées au risque de maladie. Cependant, la majorité des études actuelles se concentrent sur une seule condition pathologique à la fois. Cette approche fragmentée limite la compréhension des modèles physiologiques transversaux (partagés entre différentes maladies) et spécifiques à chaque condition. Il existe un besoin crucial d'évaluer la capacité de ces données à capturer des signatures physiologiques communes et distinctes à travers un spectre de maladies chroniques, tant physiques que mentales, afin d'améliorer la stratification des risques dans un contexte de données réelles (real-world data).

2. Méthodologie

L'étude adopte une approche trans-diagnostique en utilisant le jeu de données longitudinal « All of Us » (version 8 du Controlled Tier Dataset).

• Cohorte d'étude : Une analyse a été menée sur 9 301 patients disposant d'au moins 21 jours de données FitBit consécutives.
• Sous-cohortes de maladies : Sept conditions chroniques ont été sélectionnées en fonction de leur prévalence et de leur pertinence clinique :
  • Physiques : Maladies cardiovasculaires (CVD), diabète, apnée obstructive du sommeil (OSA).
  • Mentales : Trouble dépressif majeur (MDD), troubles anxieux, trouble bipolaire, trouble du déficit de l'attention avec ou sans hyperactivité (TDAH/ADHD).
• Approche de modélisation :
  • Des modèles de régression logistique et de XGBoost (Gradient Boosting) ont été entraînés pour chaque sous-cohorte de maladie par rapport à un groupe témoin (contrôle).
  • Comparaison des modèles : Les performances ont été évaluées en comparant deux configurations :
    1. Utilisation exclusive des caractéristiques démographiques et de style de vie de base.
    2. Ajout des caractéristiques physiologiques dérivées des wearables (rythme cardiaque, activité, sommeil).
• Métriques d'évaluation : La performance de classification a été mesurée principalement via l'aire sous la courbe ROC (ROC-AUC) et la significativité statistique (p-values).

3. Contributions Clés

• Évaluation Trans-diagnostique : Il s'agit de l'une des premières évaluations exhaustives examinant simultanément des données de wearables à travers un large éventail de conditions physiques et mentales, permettant d'identifier des signatures partagées et spécifiques.
• Intégration de Données Réelles : Utilisation d'un grand jeu de données longitudinales réelles (All of Us) plutôt que de données cliniques contrôlées, renforçant la validité écologique des résultats.
• Analyse d'Interprétabilité : Identification des contributions spécifiques des caractéristiques physiologiques (ex: durée et variabilité jour après jour du sommeil profond et paradoxal/REM) aux prédictions de risque.

4. Résultats

L'incorporation des caractéristiques dérivées des wearables a systématiquement amélioré la performance de classification par rapport à l'utilisation seule des données démographiques et de style de vie pour presque toutes les maladies étudiées.

• Améliorations Globales : Les deux modèles (régression logistique et XGBoost) ont montré des gains de performance dans tous les sous-groupes, à l'exception notable du TDAH (ADHD). Pour le TDAH, l'amélioration a été principalement observée sur le ROC-AUC dans le modèle de régression logistique, ce qui est probablement attribuable à la taille d'échantillon plus réduite de ce sous-groupe.
• Gains Significatifs en Santé Mentale : Les améliorations les plus marquées ont été observées pour les troubles psychiatriques :
  • Trouble Dépressif Majeur (MDD) : Augmentation du ROC-AUC de 0,077 (régression logistique) et 0,071 (XGBoost), avec une significativité statistique élevée (p < 0,001).
  • Troubles Anxieux : Augmentation du ROC-AUC de 0,077 (régression logistique) et 0,108 (XGGBoost), avec p < 0,001.
• Signaux Physiologiques Pertinents : L'analyse des caractéristiques a révélé des associations significatives entre les signaux physiologiques et le risque de maladie. Par exemple, la durée et la variabilité jour après jour du sommeil à ondes lentes (sommeil profond) et du sommeil paradoxal (REM) ont été identifiées comme des prédicteurs clés pour certains risques accrus.

5. Signification et Impact

Cette étude démontre le potentiel des données de wearables à servir de complément pratique aux évaluations cliniques traditionnelles.

• Stratification du Risque : Les résultats soutiennent le développement d'outils automatisés et en temps réel pour évaluer le risque de maladie, offrant une couche supplémentaire d'information objective au-delà des déclarations des patients.
• Perspective Trans-diagnostique : En prouvant que les wearables capturent à la fois des signatures communes et spécifiques, l'étude ouvre la voie à une meilleure compréhension des mécanismes physiologiques sous-jacents reliant la santé physique et mentale.
• Fondation pour la Recherche Future : Ces travaux établissent une base solide pour explorer des données de wearables plus granulaires et affiner les modèles de prédiction de santé dans des environnements de soins réels.