Les données du sommeil peuvent-elles prédire de futures maladies ?

Une nuit contient beaucoup d’informations

Un relevé de sommeil fait peut-être d’abord penser au nombre d’heures dormies.

Les examens médicaux détaillés recueillent beaucoup plus d’informations.

Ondes cérébrales, activité cardiaque, respiration, oxygène sanguin et mouvements musculaires : des capteurs sur le corps enregistrent ces signaux toute la nuit. Cet examen s’appelle la polysomnographie, ou PSG (NHLBI, « Sleep Studies »).

Ces examens explorent des troubles comme l’apnée obstructive du sommeil.

Le relevé décrit le comportement du corps pendant le sommeil autant que sa durée. Les chercheurs examinent si cette richesse peut davantage contribuer à comprendre la santé.

Une IA entraînée sur le sommeil d’environ 65 000 personnes

L’étude SleepFM a été publiée dans Nature Medicine en janvier 2026.

L’équipe a utilisé plus de 585 000 heures d’examens du sommeil d’environ 65 000 personnes pour l’apprentissage. Le modèle traite plusieurs signaux physiologiques et associe aussi l’âge et le sexe aux prédictions de risque.

L’étude a rapporté des performances prédictives pour la démence, l’infarctus du myocarde et d’autres événements ultérieurs à partir d’une nuit. Pour la démence, l’indice C était de 0,85 (Thapa et coll., 2026).

Que nous dit ce 0,85 sur la qualité des prédictions ?

0,85 n’est pas votre probabilité de tomber malade

L’indice C mesure l’accord entre l’ordre des événements observés et celui des risques attribués par l’IA.

En simplifiant, parmi deux personnes comparables, on vérifie si celle dont l’événement est survenu plus tôt était aussi classée à risque plus élevé.

Un résultat de 0,85 ne signifie donc ni un risque personnel de démence de 85 %, ni 85 diagnostics corrects sur 100 personnes.

Bien classer les risques et donner un pourcentage fiable sur un nombre précis d’années doivent aussi être évalués séparément. Vérifier l’accord entre probabilités prédites et fréquences observées s’appelle la calibration (Riley et coll., 2024).

Il n’est pas nécessaire de mémoriser les termes.

Quand une étude parle de précision, demandez ce qui était prédit et comment le chiffre a été calculé. Cette étape change déjà la lecture du résultat.

La date d’un diagnostic enregistré n’est pas le début de la maladie

Cette recherche relie les examens du sommeil aux diagnostics et autres informations inscrits ensuite dans les dossiers médicaux électroniques (Thapa et coll., 2026).

Il faut distinguer la date d’enregistrement du diagnostic et le début de la maladie dans le corps.

Des changements peuvent progresser avant qu’un examen ou une consultation ultérieure conduise au diagnostic. Prédire celui-ci dans le dossier ne révèle pas forcément le moment où la maladie a commencé.

De même, prédire une maladie à partir d’un trait du sommeil ne prouve pas que ce trait la cause.

Conclure que davantage de sommeil profond prévient cette maladie demanderait d’autres recherches.

Les personnes étudiées comptent aussi

L’article original explique que beaucoup de données proviennent de personnes examinées pour des troubles du sommeil suspectés ou des motifs proches. Certaines maladies ont été évaluées dans une autre population, mais tous les critères ne pouvaient pas être vérifiés de la même façon (Thapa et coll., 2026).

Les performances chez des personnes examinées ne s’appliquent pas forcément telles quelles à une population plus large dans sa vie ordinaire.

Ce principe compte pour toute l’IA médicale.

Le modèle aide-t-il des personnes différentes de celles de l’apprentissage ? Les résultats tiennent-ils dans un autre hôpital ou à une autre période ? L’évaluation doit se rapprocher de l’usage prévu (Collins et coll., 2024).

La taille des données et leur pertinence pour les utilisateurs visés comptent toutes deux.

Du laboratoire du sommeil aux capteurs du poignet

La recherche va plus loin.

SleepFM-2, rendu public en septembre 2026 et révisé le 2 octobre, utilise plus de deux millions d’heures d’enregistrements du sommeil.

L’IA apprend des caractéristiques dans de nombreux signaux, puis les utilise pour classer les stades ou prédire des risques. Comme elle sert de base à différentes analyses, on parle de modèle de fondation.

Cette suite explore les stades du sommeil à partir d’EEG portés sur la tête et de signaux du pouls au poignet, ainsi que le risque de maladie à partir des mouvements du poignet. Données et analyses varient selon la tâche (Thapa et coll., SleepFM-2, 2026).

Au 19 octobre 2026, ce travail est une prépublication non évaluée par les pairs. Ses résultats doivent être lus avec les validations à venir.

Les caractéristiques apprises lors d’examens complets fonctionnent-elles avec des capteurs plus accessibles ? C’est une question intéressante de cette suite.

Les relevés de l’Apple Watch peuvent-ils faire la même chose ?

Vous avez peut-être envie de confier votre propre graphique à une IA.

Mais les minutes de sommeil profond ou un score affiché ne sont pas les enregistrements physiologiques utilisés en recherche.

La documentation technique Apple de 2025 décrit l’estimation des stades à partir des signaux de l’accéléromètre. L’Apple Watch ne mesure pas directement les ondes cérébrales (Apple, « Estimating Sleep Stages from Apple Watch »).

Même les recherches sur les mouvements du poignet ne se limitent pas nécessairement aux durées ou scores visibles à l’écran.

Quel capteur a recueilli quels signaux, et comment ont-ils été analysés ? Ces différences doivent être vérifiées pour relier la recherche aux appareils quotidiens.

Que vérifier après une prédiction réussie ?

Pour aider la santé, une technologie doit être utile au-delà de ses performances prédictives.

Quels examens ou consultations suivent un risque élevé ? Ces décisions apportent-elles les soins nécessaires plus tôt ? Peut-on éviter examens inutiles et contraintes supplémentaires ?

Les modèles médicaux doivent aussi être évalués pour cette utilité concrète (Riley et coll., 2024).

Les données du sommeil peuvent contenir des indices de santé encore peu exploités. L’IA élargit progressivement cette possibilité.

Le graphique de ce matin n’est pas une annonce de maladie future.

Mais étudier soigneusement le corps chaque nuit pourrait un jour aider les personnes qui en ont besoin à recevoir les soins adaptés. SleepFM est une voie de recherche vers cet avenir.