L'actu qui fait du bien
Depuis début janvier, une étude très commentée décrit une IA capable d’extraire, à partir d’une nuit de sommeil (type polysomnographie), des signaux associés à de nombreux risques de santé. L’équipe présente un modèle appelé SleepFM, relayé par Stanford et discuté dans la presse via Reuters.
Ce genre d’annonce impressionne… et c’est normal. Mais pour comprendre, il faut séparer trois niveaux : dépister (repérer un signal), diagnostiquer (confirmer une maladie), et décider (choisir un traitement). Une IA peut aider au premier niveau, parfois au second, mais jamais “toute seule” et jamais sans cadre.
Dépistage n’est pas diagnostic : la nuance qui change tout
Dire “l’IA repère un risque” signifie souvent : elle identifie des patterns statistiques corrélés à des issues observées dans des données historiques. Cela peut être utile pour prioriser des examens, orienter un suivi, ou améliorer la recherche. Mais cela ne remplace pas une consultation ni des tests adaptés. La publication scientifique (voir Nature Medicine) insiste sur l’usage en “risk stratification” et sur le besoin de généralisation.
En clair : c’est un thermomètre, pas un verdict. Un score élevé peut mener à vérifier, pas à conclure.
Validation clinique, biais, généralisation : les 3 questions à poser
1) Validation : l’outil a-t-il été testé prospectivement, dans plusieurs hôpitaux, avec des populations variées ? 2) Biais : les données d’entraînement représentent-elles aussi les personnes âgées, les femmes, différentes morphologies, comorbidités, etc. ? 3) Généralisation : l’outil fonctionne-t-il hors du contexte exact d’origine (autre pays, autre matériel, autre protocole) ?
Ces questions sont au cœur des principes de “Good Machine Learning Practice” pour les dispositifs médicaux, détaillés par la FDA. Même si les cadres varient selon les régions, la logique est la même : sécurité, performance, et transparence sur le cycle de vie du modèle.
Données du sommeil : sensibles par nature (et pas seulement “bien-être”)
Le sommeil touche à l’intime : rythmes biologiques, respiration, parfois signaux cardiaques. Même quand un service se présente comme “bien-être”, ces données peuvent devenir sensibles si elles révèlent un risque de santé. La CNIL rappelle l’importance de la protection des données dans l’univers des objets connectés, et propose aussi des repères sur les questions à se poser pour des applications liées à la santé CNIL.
Concrètement : qui accède aux données ? Sont-elles chiffrées ? Peut-on exporter/supprimer facilement ? Et surtout : l’utilisateur comprend-il ce qui est collecté et pourquoi ?
Ce que ces IA peuvent apporter, dès maintenant
Le scénario le plus utile à court terme : aider les équipes médicales à repérer des signaux faibles dans des examens existants, ou accélérer la recherche en regroupant des profils à suivre. Là, l’IA peut être un “assistant” : trier, alerter, suggérer. Mais la décision finale reste clinique.
Le bon réflexe lecteur : si une appli ou un objet connecté promet “diagnostic” ou “prédiction certaine”, méfiance. Cherchez plutôt : publication, protocole, validation, et cadre de conformité. C’est moins spectaculaire… et beaucoup plus fiable.
