L'IA de Google prédit la résistance à l'insuline via wearables et tests sanguins
Le diabète de type 2, une maladie qui touche des centaines de millions de personnes dans le monde, continue de voir sa prévalence augmenter de manière préoccupante. Un précurseur critique de cette maladie est la résistance à l’insuline (RI), un état où les cellules du corps ne parviennent pas à répondre efficacement à l’insuline, l’hormone vitale pour la régulation de la glycémie. La détection précoce de la RI est primordiale, car des ajustements opportuns du mode de vie peuvent souvent inverser la condition, prévenant ainsi ou retardant significativement l’apparition du diabète de type 2. Cependant, les méthodes de référence actuelles pour mesurer avec précision la RI, telles que la pince euglycémique-insuline ou l’Évaluation du Modèle Homéostatique de la Résistance à l’Insuline (HOMA-IR), sont souvent invasives, coûteuses ou non disponibles en routine lors des bilans de santé standard. Ces limitations créent des obstacles substantiels à l’intervention précoce, en particulier pour les individus qui sont à risque sans le savoir.
Les chercheurs de Google explorent maintenant une approche novatrice : exploiter les données déjà accessibles à de nombreuses personnes, spécifiquement celles provenant des appareils connectés (wearables) et des tests sanguins courants, pour estimer le risque de RI. Dans leurs travaux récents, ils présentent une suite de modèles d’apprentissage automatique conçus pour prédire la RI en utilisant des points de données facilement disponibles tels que la fréquence cardiaque au repos, le nombre de pas et les habitudes de sommeil des wearables, ainsi que les résultats des tests sanguins de routine comme la glycémie à jeun et les bilans lipidiques. Cette méthodologie a démontré une performance robuste sur une population d’étude de 1 165 participants et une cohorte de validation indépendante de 72, montrant une efficacité particulière dans les groupes à haut risque, y compris les individus atteints d’obésité et ayant des modes de vie sédentaires.
Pour explorer ce potentiel, Google Research a conçu l’étude WEAR-ME, en partenariat avec Quest Diagnostics pour automatiser la collecte de biomarqueurs sanguins de routine. Plus de 1 100 participants à distance de partout aux États-Unis se sont inscrits via l’application Google Health Studies, une plateforme sécurisée pour les études de santé numériques, fournissant un consentement éclairé électronique et une autorisation HIPAA. Cette cohorte diverse, avec un IMC médian de 28 kg/m² et un âge moyen de 45 ans, a consenti à partager les données de leurs appareils Fitbit ou Google Pixel Watch (pseudonymisées pour la confidentialité), les résultats des tests sanguins de routine effectués chez Quest Diagnostics, ainsi que des informations démographiques de base et des questionnaires de santé.
En utilisant cet ensemble de données riche et multimodal, des modèles d’apprentissage automatique avancés, spécifiquement des réseaux neuronaux profonds, ont été développés et entraînés pour prédire les scores HOMA-IR. L’objectif était d’évaluer la précision avec laquelle ce marqueur clé de la RI pouvait être estimé en utilisant diverses combinaisons des données disponibles. Les résultats, évalués à l’aide de l’aire sous la courbe caractéristique de fonctionnement du récepteur (auROC) — une mesure standard de la précision de classification — ont indiqué que la combinaison de flux de données améliorait significativement la précision de la prédiction par rapport à l’utilisation d’une seule source. Alors que les wearables combinés aux données démographiques ont montré un certain pouvoir prédictif (auROC = 0,70), l’ajout de la glycémie à jeun a considérablement amélioré les performances (auROC = 0,78). Les prédictions les plus précises ont été obtenues en combinant les wearables, les données démographiques et les bilans sanguins de routine, produisant une auROC de 0,80 pour la classification des individus atteints de RI (avec une sensibilité de 76 % et une spécificité de 84 % pour une valeur HOMA-IR de 2,9 ou plus) et un R² de 0,50 pour la prédiction directe des valeurs HOMA-IR. Il est à noter que les caractéristiques dérivées des données des wearables, telles que la fréquence cardiaque au repos, se sont constamment classées parmi les prédicteurs les plus importants, aux côtés de l’IMC et de la glycémie à jeun, soulignant la valeur des signaux liés au mode de vie.
Reconnaissant que les individus atteints d’obésité et ayant des modes de vie sédentaires sont particulièrement sensibles au diabète de type 2, les modèles ont été spécifiquement évalués dans ces sous-groupes. Les résultats ont été convaincants : la précision s’est améliorée chez les participants obèses (sensibilité = 86 % contre 76 % globalement) et était encore plus élevée chez les participants sédentaires (sensibilité = 88 %). Dans le groupe le plus critique — les individus à la fois obèses et sédentaires — le modèle a obtenu des performances exceptionnelles, atteignant une sensibilité de 93 % et une spécificité ajustée de 95 %, suggérant son potentiel à identifier efficacement ceux qui pourraient le plus bénéficier d’interventions précoces sur le mode de vie.
Pour garantir la généralisabilité de ces découvertes, le modèle le plus performant a été testé sur une cohorte de validation entièrement indépendante de 72 participants. Cette cohorte, dont les données comprenaient des informations de wearables des appareils Fitbit Charge 6 et des biomarqueurs sanguins acquis en personne, a démontré que les modèles entraînés maintenaient une forte performance prédictive, avec une sensibilité de 84 % et une spécificité de 81 %. Il est crucial de noter, cependant, que cela reste un prototype de recherche, et sa sécurité et son efficacité à des fins de santé n’ont pas encore été établies.
Au-delà de la simple prédiction, les chercheurs ont également exploré comment rendre ces informations exploitables pour les individus. Ils ont développé l’Agent de Littératie et de Compréhension de la Résistance à l’Insuline, un prototype d’IA construit sur la famille de modèles de langage de grande taille Gemini, à la pointe de la technologie. Cet agent vise à fournir des réponses personnalisées et contextualisées sur la santé métabolique, basées sur les données d’étude de l’individu et son statut de RI prédit. Avec le consentement de l’utilisateur, l’agent peut accéder à des points de données spécifiques, rechercher des informations à jour et effectuer des calculs. Des endocrinologues certifiés ont évalué les réponses de l’Agent RI, les préférant massivement à un modèle de base, les trouvant significativement plus complètes, fiables et personnalisées. Cela souligne le potentiel transformateur de l’intégration des modèles de santé prédictifs avec une IA avancée pour permettre aux individus d’acquérir une compréhension plus profonde de leur santé.
Cette recherche marque une étape significative vers un dépistage plus accessible et évolutif du risque de diabète de type 2. L’approche offre plusieurs avantages : l’exploitation des données que de nombreuses personnes possèdent déjà, la possibilité d’une détection précoce avant même que les niveaux de sucre dans le sang ne deviennent anormaux (car de nombreux participants normoglycémiques de l’étude se sont avérés avoir une RI), et la fourniture d’une méthode de dépistage potentiellement évolutive par rapport aux tests de RI spécialisés. De plus, ses solides performances dans les sous-groupes à haut risque et son potentiel d’intégration dans des outils de santé personnalisés soulignent sa promesse pour une gestion proactive de la santé métabolique. Les travaux futurs incluront la validation longitudinale de ces modèles, l’exploration de l’impact des interventions, l’incorporation de données génétiques et de microbiomes, et l’affinage des modèles pour garantir une performance équitable entre diverses populations. Il est important de réitérer que, bien que prometteurs, ces modèles et l’Agent RI sont actuellement uniquement à des fins d’information et de recherche et ne sont pas des dispositifs médicaux approuvés.