Peut-on prévenir le risque de maladies neurologiques ou mentales à l’aide de son smartphone ou de sa montre connectée? Une équipe de l’Université de Genève (UNIGE) a suivi une cohorte de volontaires «connecté-es» et analysé, à l’aide d’une intelligence artificielle, des données portant notamment sur la fréquence cardiaque, l’activité physique, le sommeil ou la pollution de l’air. Les résultats montrent que ces dispositifs permettent de prédire, avec une faible marge d’erreur, les fluctuations affectives et cognitives des participantes et participants, ouvrant la voie à une détection plus précoce de changements dans la santé cérébrale. Ces travaux sont publiés dans npj Digital Medicine.

La santé cérébrale, qui combine les fonctions cognitives et affectives, est l’un des grands défis de santé publique du 21ᵉsiècle. Selon l’Organisation mondiale de la santé (OMS), plus d’une personne sur trois est atteinte de troubles neurologiques (comme l'accident vasculaire cérébral, l'épilepsie ou la maladie de Parkinson, par exemple) et plus d’une personne sur deux est touchée, au cours de sa vie, par une maladie mentale (dépression, troubles anxieux, schizophrénie). Avec le vieillissement de la population, ces chiffres sont en constante augmentation.

Même chez les adultes en bonne santé, la santé cérébrale varie fréquemment dans le temps, reflétant les interactions entre différents facteurs, par exemple environnementaux ou liés aux modes de vie individuels. Analyser les fluctuations de la cognition et de l’affect d’un jour à l’autre ou d’une semaine à l’autre est ainsi essentiel pour mettre en place des stratégies de prévention proactives et individualisées.

Une équipe de l’UNIGE a voulu savoir si les technologies portables et mobiles peuvent être utilisées pour surveiller la santé cérébrale de façon continue et non-invasive. Pour cela, 88 volontaires âgé-es de 45 à 77 ans ont été équipé-es d’une application pour smartphone dédiée et d’une montre connectée. Durant dix mois, ces appareils ont collecté des données «passives», sans intervention ni modification des habitudes des volontaires, comme la fréquence cardiaque, l’activité physique, le sommeil, mais aussi la météo et la pollution de l’air. Au total, 21 indicateurs ont été retenus.

Tous les trois mois, les volontaires devaient également fournir des données «actives», en remplissant des questionnaires sur leur état affectif et des tests de performance cognitive.

Données analysées par l'IA

«À la fin de l’expérience, les données passives ont été analysées par une intelligence artificielle développée dans le cadre de l’étude. L’objectif était de vérifier si l’IA pouvait prédire les fluctuations de la santé cognitive et affective des participantes et participants à partir de ces données», explique Igor Matias, assistant doctorant au Research Institute for Statistics and Information Science de la Geneva School of Economics and Management (GSEM) de l’UNIGE et premier auteur de l’étude.

Les prédictions de l’IA ont ensuite été comparées aux résultats des questionnaires et des tests. «En moyenne, le taux d’erreur était de seulement 12,5 %, ce qui ouvre de nouvelles perspectives pour l’utilisation des appareils connectés dans la détection précoce d’anomalies ou de changements dans la santé cérébrale», se réjouit le chercheur.

Les états affectifs plus faciles à prédire
Les états affectifs se sont révélés les plus faciles à prédire par l’intelligence artificielle, avec des taux d’erreur se situant majoritairement entre 5 % et 10 %. Les états cognitifs, en revanche, ont été prédits moins précisément avec des taux d’erreur variant entre 10 % et 20 %. Autrement dit, l’IA prédit plus efficacement les résultats des questionnaires affectifs que ceux des tests cognitifs.

Quant à la pertinence des indicateurs passifs, ce sont la pollution atmosphérique, la météo, la fréquence cardiaque au quotidien et la variabilité du sommeil qui sont les facteurs les plus informatifs pour la cognition. Pour les états affectifs, ce sont principalement la météo, la variabilité du sommeil et la fréquence cardiaque durant le sommeil qui se révèlent les plus déterminants.

Ces travaux, encadrés par la professeure Katarzyna Wac du Research Institute for Statistics and Information Science de la GSEM et le professeur Matthias Kliegel du Laboratoire du vieillissement cognitif de la Faculté de psychologie et des sciences de l’éducation, font partie du projet facultaire conjoint Providemus alz. La prochaine étape est déjà en cours. Elle vise à collecter ces mêmes données sur 24 mois, tout en explorant les caractéristiques individuelles des participantes et participants associées aux modèles d’IA les plus performants et les moins performants, afin de mieux comprendre leur applicabilité dans un scénario réel et individualisé.