Un modèle fondamental multimodal du sommeil pour la prédiction des maladies

Pourquoi une nuit de sommeil peut révéler votre santé future

Lorsque vous dormez dans une clinique reliée à des moniteurs, ces tracés sur l’écran captent bien plus que le ronflement ou l’agitation des jambes. Cette étude montre qu’une nuit d’enregistrement détaillé du sommeil peut agir comme une boule de cristal pour la santé future. En entraînant un puissant système d’intelligence artificielle sur des centaines de milliers d’heures de données de sommeil, les chercheurs ont constaté que notre façon de dormir contient des indices cachés sur les risques de démence, de maladie cardiaque, d’atteinte rénale, de cancer et même de mortalité précoce — des années avant l’apparition de ces maladies.

Écouter le corps pendant le sommeil

Les laboratoires du sommeil utilisent un test appelé polysomnographie, où des capteurs sur le cuir chevelu, le visage, la poitrine et les jambes enregistrent les ondes cérébrales, les mouvements oculaires, le rythme cardiaque, la respiration et l’activité musculaire tout au long de la nuit. Ces tests sont considérés comme la référence pour comprendre le sommeil, mais ils génèrent des flux de données énormes et complexes difficiles à interpréter entièrement par des experts humains. La plupart des recherches antérieures se sont concentrées sur un seul problème à la fois — comme l’apnée ou la narcolepsie — et ont souvent reposé sur un codage manuel laborieux. Par conséquent, l’histoire plus profonde cachée dans la combinaison complète des signaux est restée largement inexploitable.

Apprendre à une IA le langage du sommeil

Les auteurs ont construit un « modèle fondamental » nommé SleepFM, en empruntant des idées aux grands modèles de langage qui apprennent à partir de vastes quantités de texte. Au lieu de mots et de phrases, SleepFM apprend à partir de signaux bruts du sommeil. Il a été entraîné sur plus de 585 000 heures d’enregistrements nocturnes provenant de plus de 65 000 personnes, collectées dans plusieurs centres du sommeil et études de population. Le modèle prend des tranches courtes de cinq secondes d’activité cérébrale, cardiaque, respiratoire et musculaire, puis les combine à l’aide de réseaux neuronaux à base d’attention capables de gérer différentes configurations de capteurs selon les hôpitaux. Pendant l’entraînement, il s’enseigne à aligner l’information entre ces types de signaux, apprenant une représentation interne partagée de ce à quoi ressemblent un sommeil sain et un sommeil pathologique, sans nécessiter d’étiquettes humaines.

D’une nuit à de nombreux diagnostics possibles

Une fois entraînées, les « empreintes du sommeil » internes de SleepFM ont été reliées aux dossiers médicaux électroniques pour vérifier si elles pouvaient prédire des maladies ultérieures. Les chercheurs ont examiné plus de 1 000 affections et se sont demandé, pour chaque patient, si une seule étude nocturne pouvait prévoir qui développerait une maladie des années plus tard. SleepFM a prédit avec précision 130 diagnostics différents avec une forte fiabilité, y compris la mortalité toutes causes, la démence, l’insuffisance cardiaque, l’accident vasculaire cérébral, la maladie rénale chronique et plusieurs cancers. Pour certaines affections, telles que la maladie de Parkinson, la démence et les grandes pathologies cardiaques, ses performances ont approché ou dépassé celles d’outils spécialisés fondés sur l’imagerie cérébrale ou les enregistrements cardiaques.

Comment les signaux du sommeil se relient au cerveau, au cœur et au-delà

En examinant quelles parties de la nuit et quels capteurs importaient le plus, l’équipe a identifié des schémas qui ont un sens biologique. Les signaux d’électroencéphalographie et de mouvements oculaires ont été particulièrement utiles pour prédire les troubles neurologiques et psychiatriques, faisant écho aux preuves que des modifications du sommeil profond et du sommeil paradoxal précèdent souvent la maladie d’Alzheimer et la maladie de Parkinson. Les signaux respiratoires et d’oxygénation étaient plus informatifs pour les affections respiratoires et métaboliques, tandis que les tracés du rythme cardiaque portaient un poids supplémentaire pour les maladies circulatoires telles que l’insuffisance cardiaque et l’AVC. Bien que chaque type de signal apporte sa contribution, les meilleures prédictions résultaient de leur combinaison, suggérant que de nombreuses maladies laissent des empreintes subtiles sur l’ensemble du corps pendant le sommeil.

Des résultats robustes entre cliniques et au fil du temps

Pour tester si SleepFM fonctionnerait en dehors de ses institutions d’origine, les chercheurs l’ont appliqué à une étude indépendante de plus de 6 000 personnes âgées qui avait été mise de côté lors de l’entraînement initial. Avec seulement un léger ajustement supplémentaire, le modèle a encore prédit des issues critiques telles que l’AVC, la mort cardiovasculaire et l’insuffisance cardiaque congestive avec une grande précision. Il a également maintenu de bonnes performances chez des patients plus récents dont le sommeil avait été enregistré des années après les données d’entraînement originales, suggérant que les schémas de sommeil appris sont suffisamment stables pour gérer les évolutions du monde réel en pratique et en population.

Ce que cela pourrait signifier pour les soins courants

Pour les non‑spécialistes, la conclusion est que le sommeil n’est pas seulement un symptôme de maladie — c’est une fenêtre riche et mesurable sur la santé à long terme du corps. SleepFM montre qu’une seule étude nocturne peut aider à repérer qui est à risque accru de maladies graves bien avant l’apparition des symptômes, surpassant les modèles qui se fondent uniquement sur l’âge, le sexe, le poids et d’autres caractéristiques basiques. Bien que des travaux supplémentaires soient nécessaires pour généraliser au‑delà des patients de cliniques du sommeil et pour expliquer ses prédictions au cas par cas, cette approche ouvre la voie à un avenir où l’analyse intelligente du sommeil — potentiellement même à partir d’appareils domestiques — pourrait devenir un outil de routine, non invasif, pour l’alerte précoce et la surveillance continue de la santé.

Citation: Thapa, R., Kjaer, M.R., He, B. et al. A multimodal sleep foundation model for disease prediction. Nat Med 32, 752–762 (2026). https://doi.org/10.1038/s41591-025-04133-4

Mots-clés: sommeil et risque de maladie, polysomnographie, modèles fondamentaux en médecine, prédiction de la démence et des maladies cardiaques, surveillance de la santé pendant le sommeil