Surveillance sécurisée de la glycémie par montre connectée IoMT utilisant des données multimodales d’activité et de nutrition avec apprentissage par transfert

Pourquoi votre montre pourrait aider à gérer la glycémie

Beaucoup de personnes vivent avec une glycémie qui augmente, qu’elles soient diabétiques ou simplement soumises à trop de stress et mangent sur le pouce. Les tests traditionnels par piqûre du doigt ou les capteurs de glucose séparés peuvent être contraignants, et ils saisissent rarement comment des choix quotidiens comme les repas, les promenades ou de longues heures assises affectent votre corps en temps réel. Cette étude examine comment des montres grand public, combinées à des systèmes de santé connectés sécurisés, pourraient surveiller discrètement votre glycémie tout au long de la journée — reliant ce que vous mangez et la façon dont vous bougez à des alertes et des conseils rapides et personnalisés.

Une montre qui voit plus que des pas

Les chercheurs proposent un système de « surveillance améliorée du sucre corporel » qui transforme une montre en hub central pour les signaux de santé. Les montres modernes peuvent déjà mesurer la fréquence cardiaque, la tension artérielle, le taux d’oxygène, la température, les mouvements et parfois le glucose. Dans ce travail, la montre enregistre également vos activités — comme être assis, marcher, jogger ou dormir — et votre nutrition, incluant différents types d’aliments et de boissons. Tous ces flux d’information sont traités ensemble comme un jeu de données multimodal, offrant une image plus riche de la manière dont votre corps réagit à la vie quotidienne que de simples mesures de glucose.

Envoyer les données à des assistants proches, en toute sécurité

Parce qu’une montre a une batterie et une puissance de calcul limitées, elle ne peut pas effectuer d’analyses lourdes seule. Le système considère donc la montre comme un « client » sécurisé qui envoie des données à des serveurs médicaux proches dans des cliniques ou des hôpitaux, appelés nœuds de périphérie. Une procédure de sécurité personnalisée, combinée à des méthodes de chiffrement standard, protège les données lors de leurs allers-retours afin que seules des machines autorisées puissent les lire. Un ordonnanceur intelligent décide quand envoyer les données pour une analyse plus approfondie et quand les traiter légèrement sur la montre elle-même, en évaluant la qualité du réseau, l’urgence et la consommation d’énergie. Par exemple, si vos mesures sont stables et que le réseau est faible, la montre peut attendre ; si votre glycémie change rapidement après un gros repas ou un exercice intense, elle transmettra rapidement les données pour des vérifications plus détaillées.

Apprendre aux ordinateurs à reconnaître les schémas à risque

Au cœur du système se trouve une méthode d’intelligence artificielle que les auteurs appellent TL-DCNNOS, qui combine réseaux neuronaux profonds, apprentissage par transfert et ordonnance intelligente des tâches. D’abord, un large jeu de données « monde ouvert » — construit à partir de capteurs de montres, de journaux d’activité et d’enregistrements alimentaires de nombreuses personnes — est utilisé pour préentraîner le modèle à reconnaître des motifs généraux du comportement du glucose. Ensuite, lorsque vos propres données arrivent, le modèle ajuste seulement ses couches supérieures pour apprendre vos réponses spécifiques sans repartir de zéro. Cette approche permet au système de repérer des signes de comportement normal et anormal, comme la différence entre une hausse modérée après un fruit et un pic brutal après des boissons sucrées, même lorsque les données personnelles sont limitées. Le même cadre décide aussi quel serveur doit traiter chaque tâche afin que les résultats arrivent assez vite pour un usage en temps réel.

Tester l’idée dans une clinique virtuelle

Pour vérifier si ce concept pouvait fonctionner en pratique, l’équipe a construit une simulation informatique détaillée qui imite de nombreux utilisateurs de montres vaquant à leurs activités. Ils ont créé un jeu de données multimodal de 1 200 enregistrements, incluant l’âge, l’indice de masse corporelle, la tension artérielle, le type d’alimentation (comme biscuits, burgers ou glucides), l’activité (assis, marche, course) et les niveaux de glucose. Ils ont ensuite comparé leur approche TL-DCNNOS avec des méthodes d’apprentissage automatique courantes comme les arbres de décision, les forêts aléatoires et les k-plus proches voisins. Sur des mesures telles que la précision, la précision positive et le rappel, la nouvelle méthode a constamment obtenu les meilleurs résultats, atteignant environ 99 % de précision pour distinguer les schémas glycémiques sains des schémas à risque. Elle a aussi achevé ses tâches avec un temps de calcul global moindre en répartissant le travail sur de nombreux serveurs de périphérie et en n’envoyant que l’essentiel.

Protéger la vie privée tout en surveillant la santé

Les auteurs ont également examiné comment différents schémas de chiffrement affectent le délai lorsque de nombreuses montres envoient des données simultanément. Leur algorithme de sécurité simplifié pour montres (SWSA) a produit des délais plus faibles et plus stables que les méthodes à clé publique largement utilisées, qui peuvent être lourdes pour les petits appareils. Cela suggère qu’avec le bon équilibre entre sécurité et efficacité, il est possible de garder les informations médicales sensibles privées sans ralentir les alertes urgentes. Le système est conçu pour respecter les principales règles en matière de confidentialité et de dispositifs médicaux telles que HIPAA et RGPD, et les auteurs ont publié leur jeu de données et leur code pour que d’autres puissent tester et améliorer les idées.

Ce que cela pourrait signifier pour la vie quotidienne

Pour les non-spécialistes, le résultat clé est qu’un gadget familier — la montre connectée — pourrait évoluer en un puissant gardien continu de la glycémie. En reliant de façon sécurisée votre montre à des serveurs médicaux proches et en utilisant des techniques d’apprentissage avancées, le système peut relier ce que vous mangez et votre niveau d’activité à des prédictions rapides et individualisées des variations de glucose. À long terme, de tels outils pourraient aider les personnes diabétiques à éviter des hyper- et hypoglycémies dangereuses, et aider celles à risque à constater l’impact de leurs habitudes assez tôt pour changer de cap. Bien que des essais cliniques en conditions réelles soient encore nécessaires, ce travail jette les bases d’une surveillance du glucose plus sûre, plus intelligente et plus personnalisée, intégrée aux appareils que beaucoup d’entre nous portent déjà.

Citation: Mohammed, M.A., Ghani, M.K.A., Memon, S. et al. Secure IoMT smartwatch-based blood glucose monitoring using multimodal activity and nutrition data with transfer learning. Sci Rep 16, 6736 (2026). https://doi.org/10.1038/s41598-026-35419-3

Mots-clés: taux de sucre sanguin, montre connectée santé, capteurs portables, soins numériques du diabète, internet des objets médicaux