L’analyse d’un ensemble de données biologiques et environnementales récoltées sur des volontaires par une application pour smartphones et une montre connectée a permis de prédire, avec une faible marge d’erreur, les fluctuations affectives et cognitives des participantes et participants. Ces informations sont considérées comme essentielles pour mettre en place des stratégies efficaces de prévention proactives et individualisées des maladies mentales (dépression, troubles anxieux, schizophrénie) ou neurologiques (accident vasculaire cérébral, épilepsie, maladie de Parkinson…) qui, selon l’Organisation mondiale de la santé, touchent respectivement plus d’une personne sur deux et plus d’une personne sur trois au cours de sa vie. C’est ce qui ressort d’une étude menée par Igor Matias, assistant doctorant à l’Institut de recherche en sciences statistiques et de l’information (Faculté d’économie et de management), et ses collègues. Paru le 14 janvier dans npj Digital Medicine, ce travail a été réalisé dans le cadre de Providemus alz, une étude longitudinale dirigée par Katarzyna Wac, professeure à la Faculté d’économie et de management, qui évalue les fluctuations des performances cognitives à l’aide de technologies mobiles grand public.

Pour la présente étude, les scientifiques ont recruté 88 volontaires, des hommes et des femmes âgés de 45 à 77 ans, et les ont équipés 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 ont également rempli des questionnaires sur leur état affectif et réalisé des tests de performance cognitive.

À la fin de l’expérience, les données passives ont été analysées par une intelligence artificielle développée dans le cadre de l’étude. Les scientifiques ont ensuite demandé à cette IA de prédire les variations de la santé cognitive et affective des participantes et participants et les ont comparées aux résultats des questionnaires et des tests.

Il en ressort un taux d’erreur moyen de 12,5%, jugé par les auteurs comme suffisamment bas pour ouvrir de nouvelles perspectives dans l’utilisation d’appareils connectés pour la détection précoce d’anomalies ou de changements dans la santé cérébrale.

Plus précisément, l’intelligence artificielle a été plus efficace dans la prédiction des états affectifs (entre 5% et 10% de taux d’erreur) que dans celle des états cognitifs (entre 10% et 20% de taux d’erreur). L’analyse montre par ailleurs que les facteurs les plus informatifs pour la cognition sont la pollution atmosphérique, la météo, la fréquence cardiaque au quotidien et la variabilité du sommeil, tandis que les plus déterminants pour les états affectifs sont la météo, la variabilité du sommeil et la fréquence cardiaque durant le sommeil.