De petits capteurs portables qui mesurent la glycémie toutes les quelques minutes sortent des cabinets diabétologiques pour entrer dans la vie quotidienne. Ils promettent un journal alimentaire sans effort, des conseils diététiques personnalisés et des outils de santé numérique plus intelligents. Mais pour transformer des courbes de glucose brutes en retours utiles, les ordinateurs doivent d’abord répondre à une question apparemment simple : quand avez-vous mangé ? Cette étude examine dans quelle mesure différentes méthodes informatiques savent repérer les repas à partir des données de glucose seules chez de jeunes adultes en bonne santé.
Comment les ordinateurs observent votre courbe de glucose
Les chercheurs se sont intéressés à la surveillance continue du glucose (SCG), qui utilise un patch placé sur le bras pour mesurer le glucose dans le liquide interstitiel sous la peau. Chaque repas laisse une empreinte dans cette courbe de glucose, avec une montée douce après l’ingestion. Au fil des années, des scientifiques ont développé de nombreuses recettes de « détection des repas » pour les ordinateurs, depuis des règles simples qui repèrent des sauts rapides de glucose jusqu’à des systèmes avancés qui imitent le traitement du glucose par l’organisme ou apprennent des motifs à partir des données. La plupart de ces méthodes, toutefois, ont été testées séparément sur des groupes différents, rendant difficile de savoir quelle approche est réellement la meilleure.
Mettre neuf approches à l’épreuve Figure 1. Comment les capteurs de glucose portables et les algorithmes intelligents s’associent pour repérer les prises alimentaires dans la vie quotidienne
Pour établir une comparaison équitable, l’équipe a recréé neuf algorithmes publiés qui reposent uniquement sur les signaux SCG. Ils les ont appliqués aux données de 16 jeunes adultes en bonne santé qui ont porté les capteurs pendant trois semaines en suivant soit un régime pauvre en glucides, soit un régime standard. Les repas étaient consignés dans une application téléphone. Pour chaque participant, une partie des données a servi à ajuster chaque algorithme, une autre à affiner les paramètres, et le reste a été conservé comme test inédit. Les chercheurs ont évalué les performances selon trois mesures simples : combien de repas ont été correctement détectés, combien de « fausses alertes » par jour se sont produites, et combien de temps après un repas l’alerte est apparue.
Vitesse versus fiabilité pour repérer les repas
Le test comparatif a montré qu’aucune méthode unique n’excellait sur les trois critères à la fois. Certains algorithmes basés sur la logique floue ou des simulations informatiques détaillées du comportement du glucose détectaient la plus grande part des repas, approchant neuf sur dix, mais ils réagissaient plus lentement et déclenchaient davantage de fausses alertes. Les méthodes de reconnaissance de formes, qui apprennent les formes typiques des courbes de glucose, et un modèle fondé sur la physiologie offraient le compromis le plus équilibré entre forte détection, peu de fausses alertes et délai modéré. Les méthodes plus simples basées sur des règles, qui regardent principalement la rapidité de la montée du glucose, signalaient le repas le plus vite, souvent en environ 37 minutes, mais elles manquaient davantage d’événements alimentaires. En termes pratiques, les utilisateurs doivent choisir entre un système très réactif mais un peu nerveux, un autre prudent mais plus lent, ou une option intermédiaire.
Comment le régime et la morphologie modifient la donne Figure 2. Différents chemins algorithmiques sacrifient vitesse, précision ou nombre de fausses alertes lorsqu’il s’agit d’identifier les repas à partir des courbes de glucose
L’étude a aussi montré que la détectabilité des repas dépend de la personne et de ce qu’elle mange. Les participants suivant un régime standard, plus riche en glucides, présentaient des pics de glucose plus prononcés après les repas, ce qui facilitait la reconnaissance des prises alimentaires par tous les algorithmes. Ceux ayant suivi un régime pauvre en glucides avaient des variations de glucose plus modestes, réduisant les chances de détection dans l’ensemble. Un apport quotidien en glucides plus élevé était associé à davantage de faux positifs, probablement parce que des montées de glucose prolongées sont plus facilement mal interprétées. Un poids corporel légèrement plus élevé s’est lié à des taux de détection marginalement inférieurs, ce qui peut être en rapport avec des particularités connues du capteur utilisé. Ces résultats soulignent qu’il n’existe pas de seuil universel pour repérer les repas à partir des données de glucose.
Ce que cela signifie pour le suivi alimentaire à venir
Pour les personnes qui utilisent la SCG pour surveiller leurs habitudes ou pour soutenir des applications de coaching diététique, des fausses alertes occasionnelles peuvent être acceptables si la plupart des repas sont capturés, car les utilisateurs peuvent rapidement confirmer ou rejeter une alerte. Dans ce cas, les algorithmes privilégiant la sensibilité peuvent être préférés. En revanche, pour des outils cliniques comme la délivrance automatique d’insuline, les fausses alertes peuvent être risquées, et il vaut mieux des choix plus sûrs qui échangent un peu de vitesse ou de sensibilité contre moins d’erreurs. Les auteurs concluent que, plutôt que de chercher un « meilleur » algorithme unique, les concepteurs devraient adapter l’algorithme à la tâche, et que les travaux futurs devraient viser à réduire le temps de détection tout en maintenant une grande précision et à étendre les tests à des populations plus diverses.
Citation: Höchsmann, C., Weber, J.T., Hechenbichler Figueroa, S. et al. Performance of continuous glucose monitoring-based meal detection algorithms in young healthy adults.
Sci Rep16, 15714 (2026). https://doi.org/10.1038/s41598-026-50699-5
Mots-clés: surveillance continue du glucose, détection des repas, comportement alimentaire, nutrition numérique, performance des algorithmes
