Cachés dans les schémas de fréquence cardiaque, de sommeil et d'activité quotidienne capturés par les appareils portables quotidiens se trouvent des indices subtils qui, combinés à des données de santé de routine et analysés par l'intelligence artificielle, peuvent révéler une résistance à l'insuline, rapportent des chercheurs le 16 mars dans Nature.
On estime qu'environ 20 à 40 pour cent des adultes américains vivent avec une résistance à l'insuline, qui se produit lorsque les cellules du corps cessent de répondre correctement à l'insuline, une hormone métabolisant le sucre, un événement précoce clé dans la progression vers le diabète de type 2. Cependant, la plupart des personnes touchées ne sont pas conscientes de cette maladie, car son diagnostic nécessite généralement des tests spécialisés qui ne font pas partie des soins médicaux de routine. Cela signifie que les médecins détectent généralement le problème seulement après que le taux de sucre dans le sang a déjà commencé à augmenter, moment auquel les dommages métaboliques peuvent déjà être en cours.
L'attraper plus tôt pourrait ouvrir la porte à des « interventions opportunes sur le mode de vie », explique David Klonoff, endocrinologue au Mills-Peninsula Medical Center de San Mateo, en Californie, qui dirige la Diabetes Technology Society à but non lucratif et n'a pas été impliqué dans la recherche. Il s’agit notamment de changements alimentaires, d’une activité physique accrue et d’une perte de poids, notamment grâce à l’utilisation de médicaments à succès GLP-1, qui se sont tous avérés efficaces pour ralentir, voire inverser le glissement métabolique vers la maladie.
« Si nous pouvons identifier les personnes qui sont résistantes à l'insuline, nous pouvons changer toute la trajectoire du diabète », déclare Ahmed Metwally, bio-ingénieur chez Google Research à Mountain View, en Californie.
Certains chercheurs ont proposé d'utiliser des capteurs portés sur le bras pour ce faire. Pourtant, ces appareils coûtent des centaines de dollars par mois et sont principalement utilisés par des personnes déjà diabétiques, ce qui limite leur utilité pour un dépistage à grande échelle. En revanche, les approches basées sur les montres intelligentes reposent sur des appareils que des millions de personnes portent déjà, explique Klonoff.
«Cette étude établit une méthode évolutive… pour la détection précoce du risque métabolique», dit-il.
Le nouveau système, développé par Metwally et ses collègues, s'appuie sur les données de montres intelligentes collectées sur des dizaines de millions d'heures auprès de 1 165 personnes portant soit des appareils Fitbit, soit des montres Pixel, toutes deux vendues par Google ou ses filiales. Des algorithmes d’apprentissage automatique ont passé au crible ces données, ainsi que des mesures de laboratoire de routine telles que des tests de cholestérol et des facteurs démographiques comme l’âge, pour détecter des modèles liés à la résistance à l’insuline.
Les facteurs les plus prédictifs provenaient des données cliniques et démographiques, plutôt que des signaux provenant de la montre intelligente elle-même. En utilisant uniquement des mesures tirées de tests de laboratoire de routine et de données de santé de base, telles que la glycémie à jeun, l'indice de masse corporelle et le nombre de lipides sanguins, le modèle de Google a pu distinguer les personnes présentant une résistance à l'insuline de celles qui n'en souffraient pas environ 76 % du temps.
Mais les performances ont atteint environ 88 % grâce à l’ajout des flux de données des montres intelligentes.
De telles lectures ne sont pas parfaitement fiables – les estimations du sommeil, par exemple, sont connues pour varier en précision selon les appareils et les utilisateurs – mais même ces signaux imparfaits ont ajouté des informations utiles au modèle. La fréquence cardiaque au repos s’est révélée particulièrement informative, même si les pas quotidiens et la durée du sommeil ont également contribué au pouvoir prédictif.
En fin de compte, Metwally imagine un avenir dans lequel l’électronique portable détecte discrètement chez des millions de personnes les premiers signes de maladie métabolique. Et d’autres acteurs du domaine voient une approche similaire.
« Cet article démontre de manière convaincante que les données portables des consommateurs contiennent des informations métaboliques substantielles pertinentes pour la prédiction de la résistance à l'insuline », déclare Giorgio Quer, directeur de l'intelligence artificielle au Scripps Research Translational Institute de La Jolla, en Californie, qui n'a pas participé à la recherche.
« La possibilité de surveiller continuellement, longitudinalement et passivement la santé métabolique grâce à des appareils portables, en particulier lorsqu'ils sont alimentés par [AI] modèles, représente une opportunité passionnante vers un modèle de médecine numérique plus personnalisé et évolutif », dit-il.
