Évaluation du transfert d’apprentissage entre jeux de données pour l’estimation de la pression artérielle à partir de photopléthysmographie

Pourquoi la mesure de la pression artérielle sans brassard importe

L’hypertension est une cause majeure d’infarctus et d’accidents vasculaires cérébraux, et pourtant la plupart des personnes ne la font contrôler que ponctuellement avec un brassard au cabinet médical. Cette étude examine comment des capteurs portables et l’intelligence artificielle pourraient estimer la pression artérielle en continu, sans comprimer le bras, en s’appuyant sur de grandes bases de données hospitalières puis en s’adaptant à de nouveaux appareils tels que les montres connectées. Le travail aborde un obstacle clé : comment faire en sorte que des algorithmes entraînés dans un contexte continuent de bien fonctionner lorsque le capteur et l’environnement changent.

Des brassards au capteur optique

Les brassards traditionnels sont fiables mais peu pratiques pour un usage fréquent. Ils nécessitent une inflation jusqu’à une brève interruption du flux sanguin, peuvent être inconfortables et ne fournissent que quelques mesures par jour. Une alternative est la photopléthysmographie (PPG), qui utilise une petite source lumineuse et un détecteur, comme dans les oxymètres de pouls et les appareils portables, pour capter de minuscules variations de volume sanguin à chaque battement. Ces formes d’onde optiques contiennent des informations liées à la pression artérielle, ouvrant la possibilité d’une surveillance sans brassard opérationnelle au quotidien, à la maison ou en mouvement.

Apprendre à un algorithme à lire les ondes du pouls

Plutôt que de concevoir manuellement une longue liste de caractéristiques mathématiques à partir des signaux PPG, les auteurs utilisent un modèle d’apprentissage profond qui apprend les motifs directement à partir de courts extraits de forme d’onde de cinq secondes. Ils partent d’une architecture existante combinant des couches convolutionnelles (efficaces pour repérer des formes) et des couches récurrentes (efficaces pour suivre des motifs temporels), puis la simplifient de façon à réduire de plus de moitié le nombre de paramètres entraînables. Ce réseau réduit est plus facile à entraîner lorsque seules quelques heures de données par personne sont disponibles, tout en capturant les relations complexes entre la forme de l’onde du pouls et la pression artérielle.

Faire fonctionner des modèles formés en milieu hospitalier ailleurs

Un obstacle majeur est que les signaux PPG varient quand le matériel, le site d’enregistrement ou l’environnement changent. L’équipe teste si le « transfert d’apprentissage » peut aider. Ils entraînent d’abord leur réseau neuronal sur les données d’une grande base hospitalière, où les patients ont une PPG au bout du doigt et une pression artérielle invasive enregistrées en continu. Ensuite, ils ajustent uniquement certaines couches profondes sélectionnées du modèle pour chaque nouvelle personne en utilisant une quantité beaucoup plus petite de données provenant d’une seconde base collectée séparément. Ce dispositif inter-jeux de données reproduit ce qui se passe en pratique, lorsqu’une entreprise peut partir de données hospitalières publiques puis adapter son modèle à un nouvel appareil ou utilisateur avec des enregistrements personnels limités.

Performance des modèles adaptés

Les chercheurs comparent trois approches : entraînement à partir de zéro pour chaque personne, transfert d’apprentissage au sein d’une même base de données, et transfert d’apprentissage entre bases de données. Sur 200 patients issus de deux grandes bases, le transfert d’apprentissage inter-jeux de données réduit l’erreur moyenne d’environ 13 % par rapport à l’entraînement à partir de zéro, atteignant approximativement 3,4 mmHg pour la pression systolique et 1,8 mmHg pour la pression diastolique. Ces résultats satisfont des critères de performance internationaux clés utilisés pour évaluer les appareils de mesure de la pression artérielle. Fait notable, les modèles adaptés entre bases de données performent à environ 1 % près des modèles adaptés au sein de la même base, et cette petite différence n’est pas significative d’un point de vue statistique. Les auteurs montrent aussi que le transfert d’apprentissage reste utile lorsque très peu de données sont disponibles pour l’affinage, et qu’il améliore toujours la précision lorsqu’il est appliqué à une plus petite base non hospitalière collectée avec des capteurs différents.

Ce que cela signifie pour la surveillance quotidienne de la santé

Pour un non-expert, la conclusion est qu’un algorithme entraîné sur de vastes banques de données hospitalières peut être « réutilisé » et légèrement ajusté pour de nouvelles personnes, de nouveaux dispositifs et de nouveaux environnements, sans nécessiter à chaque fois d’imposants essais cliniques. En nettoyant soigneusement les signaux, en réduisant la taille du modèle et en ne mettant à jour que les couches les plus informatives pour chaque utilisateur, l’étude montre que l’estimation continue et sans brassard de la pression artérielle à partir de capteurs optiques peut atteindre des niveaux d’erreur compatibles avec les normes existantes. Bien que des travaux supplémentaires soient nécessaires en conditions réelles et actives de la vie quotidienne et sur des capteurs portés au poignet, cette stratégie de transfert d’apprentissage entre jeux de données rapproche d’un pas la surveillance pratique et portable de la pression artérielle.

Citation: Kim, Y.C., Baek, H.J. Evaluating cross-dataset transfer learning for photoplethysmography-based blood pressure estimation. Sci Rep 16, 10725 (2026). https://doi.org/10.1038/s41598-026-43409-8

Mots-clés: pression artérielle sans brassard, photoplégysmographie, surveillance de santé portée, apprentissage profond, transfert d’apprentissage