This content has not been translated yet: it is shown in its original language (French).
En 2019, une étude menée par Stanford sur plus de 419 000 participants a montré que l'Apple Watch pouvait détecter une fibrillation auriculaire, une arythmie cardiaque souvent silencieuse mais potentiellement mortelle. Parmi les alertes émises, 84 % correspondaient bien à une fibrillation, simplement en analysant le rythme du pouls au quotidien (Perez et al., 2019).
Extraire un signal utile parmi des millions de battements
Derrière cette prouesse se cachent des algorithmes d'analyse de séries temporelles, capables d'extraire un signal clinique utile parmi des millions de battements cardiaques. La montre collecte des mesures en continu, et un modèle statistique surveille en permanence l'apparition d'anomalies.
ARIMA et LSTM
Ces algorithmes combinent deux familles de modèles :
- les modèles ARIMA, pour décrire le signal « normal » ;
- les réseaux LSTM (Long Short-Term Memory), pour la prédiction et la détection d'événements rares.
Un LSTM appliqué au rythme cardiaque peut même anticiper certains épisodes arythmiques (Tison et al., 2018).
Et au Bénin ?
Imaginez l'impact dans des contextes comme le Bénin, où l'accès à un cardiologue reste un luxe pour beaucoup : un simple smartphone connecté à un capteur abordable pourrait jouer le rôle d'un Holter permanent.
Les données de notre corps sont une mine d'or. La question est : savons-nous les lire ?
Go further: the full documentPDF · 11 pages · sources and technical detailsDownload
