Validation de SocialBit en tant qu’algorithme de montre connectée pour la détection des interactions sociales dans une population clinique

Pourquoi compter les conversations importe

Après une maladie majeure comme un AVC, de petits moments quotidiens — discuter avec une infirmière ou plaisanter avec des proches — peuvent discrètement influencer la récupération. Les liens sociaux protègent la santé cérébrale et peuvent même allonger la durée de vie, mais les médecins disposent rarement d’un moyen fiable de mesurer l’engagement social d’un patient au fil de la journée. Cette étude présente SocialBit, un système basé sur une montre connectée qui détecte la conversation de façon respectueuse de la vie privée, et évalue s’il peut suivre avec précision les interactions sociales réelles chez des personnes hospitalisées après un AVC.

Une montre qui entend, sans écouter

SocialBit est un algorithme logiciel qui fonctionne sur une montre connectée du commerce. Plutôt que d’enregistrer les conversations ou d’analyser les mots prononcés, il utilise de courts extraits de son ambiant pour saisir des motifs tels que le volume, le rythme et d’autres caractéristiques acoustiques. À partir de ces éléments, il décide si une minute donnée a probablement comporté une interaction — définie simplement comme tout son émis par ou adressé au patient par une autre personne, y compris le langage fragmenté ou non verbal fréquent après un AVC. Parce que le système ne stocke jamais l’audio brut ni de transcription, il est conçu pour préserver la vie privée tout en fournissant aux cliniciens une lecture continue du monde social du patient.

Tester l’appareil dans la vie réelle de l’hôpital

Pour vérifier si SocialBit fonctionne en dehors du laboratoire, les chercheurs ont inclus 153 adultes hospitalisés pour un AVC ischémique dans deux hôpitaux de Boston. Les patients ont porté la montre pendant les heures de jour pendant jusqu’à huit jours, tandis que des observateurs formés regardaient des vidéos sécurisées en direct et étiquetaient chaque minute comme sociale ou non. Cela a généré près de 89 000 minutes de données codées par des humains, dont environ 14 000 minutes comportaient aussi des relevés SocialBit. Les patients étaient très hétérogènes : la gravité de l’AVC allait de très légère à sévère, les scores cognitifs couvraient presque toute l’échelle, et 24 participants présentaient diverses formes d’aphasie, un trouble du langage qui perturbe souvent la conversation normale. Cette diversité a permis à l’équipe de tester si le système tenait bon même lorsque la parole était hachée, pâteuse ou minimale.

Performance de l’algorithme

Lorsque les jugements de SocialBit ont été comparés aux étiquettes minute par minute des codeurs humains, la version la plus performante de l’algorithme a correctement détecté l’interaction sociale dans environ 87 % des minutes qui en contenaient réellement, et a reconnu l’absence d’interaction 88 % du temps. Statistiquement, cela place SocialBit devant les détecteurs généraux de parole et de conversation existants. Fait important, sa vue récapitulative du temps passé en interaction au cours de la journée correspondait étroitement aux estimations humaines, bien que la montre n’échantillonnait qu’une minute sur cinq pour économiser la batterie. La performance est restée solide face à de nombreux défis réels, notamment la télévision en fond, des conversations parallèles dans la pièce, des appels téléphoniques et vidéo, différents services hospitaliers, et deux types de montres connectées.

Inclure les patients qui ont des difficultés à parler

Une question clé était de savoir si SocialBit échouerait chez les personnes aphasiques, qui peuvent moins parler ou produire un langage non standard. Dans ce sous-groupe, l’algorithme a tout de même bien fonctionné, avec seulement une baisse modeste de précision par rapport aux patients sans troubles du langage. Le système s’est aussi comporté de manière cliniquement sensée : les patients ayant des AVC plus sévères avaient moins de minutes d’interaction détectées, en miroir de ce que les codeurs humains ont observé. Chaque augmentation d’un point du score de gravité de l’AVC était associée à une baisse d’environ un pour cent de la part du temps passée en interaction. Cela suggère que SocialBit ne se contente pas de reconnaître du son, mais capture une dimension significative de la vie sociale des patients.

Ce que cela pourrait signifier pour les soins

Les auteurs soutiennent qu’un outil comme SocialBit pourrait transformer l’interaction sociale en un « signe vital » mesurable, suivi aux côtés de la tension artérielle ou du rythme cardiaque. En recherche, il pourrait fournir un critère objectif pour des essais cliniques visant à améliorer la qualité de vie ou réduire l’isolement. Dans la pratique quotidienne, il pourrait alerter cliniciens et aidants lorsqu’un patient devient moins socialement engagé, incitant à un soutien précoce ou à des modifications de l’environnement. Si des travaux supplémentaires sont nécessaires pour adapter le système à l’usage à domicile et pour saisir non seulement la fréquence des interactions mais aussi leur portée, cette étude montre qu’une simple montre connectée peut mesurer de façon fiable un ingrédient puissant mais jusque-là invisible de la récupération : la connexion humaine.

Citation: Dhand, A., Tate, S., Mack, C. et al. Validation of SocialBit as a smartwatch algorithm for social interaction detection in a clinical population. Sci Rep 16, 4529 (2026). https://doi.org/10.1038/s41598-026-37746-x

Mots-clés: récupération après un AVC, interaction sociale, détection par montre connectée, biomarqueur numérique, aphasie