Un cadre d’apprentissage automatique pour des prescriptions d’exercice personnalisées basées sur l’IMC et l’évaluation de la condition physique

Pourquoi des entraînements plus intelligents comptent

De nombreux jeunes adultes prennent du poids malgré leurs efforts pour rester actifs. Des conseils génériques comme « faire 150 minutes d’exercice par semaine » paraissent souvent vagues et ne tiennent pas compte des différences individuelles de forme physique, de morphologie ou de progression. Cette étude examine si l’intelligence artificielle peut transformer de simples résultats de tests de condition physique en programmes d’entraînement hautement personnalisés qui aident les jeunes à sortir de la catégorie de surpoids de manière plus efficace et plus sûre que des recommandations standardisées.

Transformer les tests de condition en profil personnel

Les chercheurs ont travaillé sur des données de 6 698 étudiants masculins universitaires âgés de 18 à 20 ans. Chaque étudiant disposait d’une mesure de l’indice de masse corporelle (IMC) et de quatre tests physiques standard : un 3 000 mètres pour l’endurance, des tractions pour la force du haut du corps, des relevés de buste pour l’endurance du tronc et un test navette pour la vitesse et l’agilité. Ensemble, ces mesures donnent une image assez complète du fonctionnement cardiovasculaire, musculaire et locomoteur. Plutôt que d’analyser chaque test isolément, l’équipe a cherché à comprendre le motif complexe qui relie ce profil de forme à la catégorie d’IMC d’une personne — insuffisance pondérale, normal, surpoids ou obésité.

Une IA hybride qui lit votre façon de bouger

Pour décrypter ces motifs, l’équipe a construit un système hybride d’apprentissage automatique combinant deux approches complémentaires. D’abord, un réseau de neurones convolutionnel unidimensionnel, assisté d’un mécanisme d’attention, balaye la séquence des temps de tour du 3 000 mètres tout en prenant en compte les résultats de force et de sprint. Cela permet au système de repérer des détails comme une forte baisse de rythme sur les derniers tours ou un maintien d’allure régulier. Ensuite, l’information condensée est transmise à un modèle de décision par gradient boosting, très performant pour tracer des frontières nettes entre catégories — ici, les quatre groupes d’IMC. Cette approche combinée a classé l’IMC avec une précision de 94,5 %, dépassant nettement des modèles standards comme la régression logistique, les forêts aléatoires et XGBoost sur les mêmes données, tout en produisant des prédictions en moins d’une milliseconde par personne.

Des prédictions aux plans d’entraînement sur mesure

L’étape clé consiste à traduire ces prédictions en entraînements pratiques. Pour que le système reste compréhensible pour les entraîneurs et les cliniciens, les chercheurs ont utilisé une méthode appelée SHAP qui quantifie dans quelle mesure chaque test de condition pousse la prédiction d’IMC vers une catégorie plus saine ou moins saine. Pour chaque étudiant, le modèle classe les points faibles les plus importants — par exemple un faible nombre de tractions ou des temps de course lents. Un moteur basé sur des règles mappe ensuite ces priorités sur des types d’exercices spécifiques, comme davantage de séances de renforcement du haut du corps, un supplément d’aérobie ou du travail de vitesse et d’agilité. Toutes les deux semaines pendant l’essai, de nouveaux résultats alimentaient le système afin d’ajuster le volume d’entraînement à la hausse ou à la baisse et de réduire la charge si des signes de fatigue laissaient craindre un surentraînement.

Mettre le système à l’épreuve

Pour vérifier si cette approche guidée par l’IA améliorait réellement la santé, l’équipe a réalisé un essai contrôlé randomisé de 12 semaines avec 1 160 nouveaux étudiants. La moitié a reçu des consignes d’exercice conventionnelles ; l’autre moitié a suivi les prescriptions personnalisées générées par le modèle, incluant des intervalles à haute intensité structurés, du travail aérobique soutenu, du renforcement musculaire et des conseils nutritionnels de base. Le groupe personnalisé a montré des améliorations marquantes : la proportion globale d’étudiants en surpoids ou obèses a diminué de 23,5 %, près de sept participants sur dix en surpoids sont passés dans la catégorie normale, et de nombreux participants obèses sont descendus en surpoids. La condition physique s’est aussi nettement améliorée, avec environ 15 % de tractions en plus, près de 10 % de temps en moins sur le 3 000 mètres et plus de 10 % de gains de vitesse sur le test navette par rapport au groupe témoin, le tout sans augmentation des blessures.

Ce que ça signifie pour la santé au quotidien

Pour le grand public, la conclusion est que des tests simples et familiers — la distance que vous pouvez courir, le nombre de tractions et de relevés de buste que vous pouvez faire, et la rapidité de vos allers-retours — peuvent alimenter un système d’IA qui conçoit des entraînements adaptés à votre corps et à vos capacités actuelles. Cette étude montre qu’un tel système peut non seulement prédire qui présente un risque pondéral plus élevé, mais aussi fournir des plans d’exercices qui aident les personnes à atteindre un IMC plus sain en toute sécurité tout en devenant plus fortes et plus en forme. Bien que les travaux actuels portent sur de jeunes hommes dans un seul contexte, ils ouvrent la voie à un avenir où des applications mobiles ou des outils cliniques pourraient offrir des conseils d’exercice véritablement personnalisés et continuellement mis à jour pour de nombreux publics différents.

Citation: Mo, M., Li, B., Yang, Y. et al. A machine learning framework for personalized exercise prescription based on BMI and physical fitness assessment. Sci Rep 16, 13336 (2026). https://doi.org/10.1038/s41598-026-42405-2

Mots-clés: exercice personnalisé, apprentissage automatique en santé, IMC et condition physique, prévention de l’obésité chez les jeunes, planification d’entraînement par IA