Surmonter la perte de données dans la détection de maladies par dispositifs portables grâce à l’imputation par GAN

Pourquoi les données manquantes des dispositifs portables comptent

Les traqueurs d’activité et les montres connectées offrent une promesse séduisante : et si elles pouvaient nous alerter d’une infection des jours avant que nous ne ressentions des symptômes ? Dans de nombreuses régions du monde, en particulier les zones rurales où les cliniques et laboratoires sont rares, ce type d’alerte précoce peut faire la différence entre une maladie bénigne et une forme dangereuse. Mais dans la réalité, les gens oublient de porter leurs appareils, les batteries se vident et les connexions Internet sautent. Cette étude s’attaque à une question simple mais cruciale : peut‑on récupérer ces flux de données défectueux suffisamment bien pour continuer à repérer des signes précoces de maladie ?

Transformer les trous en signal utile

Les chercheurs se sont concentrés sur les données de fréquence cardiaque issues d’appareils portés au poignet, car la fréquence cardiaque au repos nocturne a tendance à augmenter subtilement avant l’apparition des symptômes. Plutôt que d’écarter les nuits avec des relevés manquants, ils ont utilisé un type d’intelligence artificielle appelé réseau antagoniste génératif (GAN) pour combler les lacunes. Pensez au GAN comme à un devineur très habile qui a appris les motifs typiques du rythme cardiaque quotidien et peut reconstruire ce qui s’est probablement passé durant les heures manquantes, tout en laissant la place à des variations inhabituelles causées par une infection.

Tester l’idée sur deux maladies très différentes

Pour vérifier si cette approche fonctionne dans le monde réel, l’équipe a étudié deux grands groupes de personnes. Le premier était une cohorte COVID‑19 aux États‑Unis de plus de 3 000 participants qui disposaient en général de données portables fiables. Le second était une cohorte beaucoup plus petite de paludisme dans l’ouest du Kenya rural, où seulement environ la moitié des relevés de fréquence cardiaque attendus ont été effectivement enregistrés en raison de problèmes de charge, de connectivité et de temps de port. De façon remarquable, le GAN n’a été entraîné que sur les données COVID‑19, et il a néanmoins été capable de reconstruire des profils de fréquence cardiaque crédibles dans le groupe paludisme sans réentraînement.

Repérer des infections cachées au Kenya rural

Dans l’étude kényane sur le paludisme, 300 adultes portaient des bracelets pendant que des agents de terrain les testaient régulièrement pour le paludisme et récitaient des journaux de symptômes. Les auteurs ont combiné les fréquences cardiaques nocturnes reconstruites par le GAN avec un système simple basé sur des règles qui surveille des augmentations soutenues au‑dessus de la ligne de base habituelle d’une personne. Sur 161 infections palustres, leur système a émis des alertes précoces dans 100 cas, et dans 42 de ces cas, une alerte ne serait pas survenue du tout sans le comblement des données manquantes. En moyenne, ces alertes sont apparues environ 12 jours avant que les personnes ne déclarent des symptômes, se rapprochant du délai connu nécessaire à la multiplication des parasites du paludisme dans le sang. Même avec une forte perte de données, les alertes avaient tendance à apparaître sur 3,5 jours consécutifs pendant la fenêtre d’infection, ce qui augmente la probabilité que les agents de santé remarquent et agissent.

Équilibrer précision, clarté et praticité

L’équipe a comparé le GAN aux méthodes courantes de comblement d’intervalle, depuis des approches très simples comme la propagation de la dernière valeur jusqu’à des modèles statistiques plus avancés. Dans les deux groupes de maladies, le GAN produisait généralement les reconstructions les plus précises et préservait mieux les rythmes naturels jour‑nuit de la fréquence cardiaque, même lorsque plus de 70 % des données étaient manquantes. Lorsque ces signaux améliorés étaient injectés dans des modèles automatisés de détection d’infection, à la fois la sensibilité (détecter les vrais cas) et la précision (éviter les fausses alertes) augmentaient. Parallèlement, le GAN a été conçu pour être léger et rapide, de manière à pouvoir éventuellement fonctionner sur des ordinateurs basiques ou des appareils en périphérie dans des zones à puissance et connectivité limitées.

Ce que cela pourrait signifier pour les soins quotidiens

Pour un public non spécialisé, l’idée centrale est que les données manquantes issues des dispositifs portables ne sont pas simplement du bruit à jeter. Avec le bon type de reconstruction intelligente, ces lacunes peuvent redevenir un signal d’alerte significatif. Cette étude montre qu’un modèle d’IA entraîné sur une maladie (COVID‑19) peut aider à en détecter une autre (paludisme) dans un contexte très différent, donnant aux agents de santé communautaire souvent une semaine ou plus de préavis. Déployés de manière sûre et éthique, de tels systèmes pourraient aider ces agents à décider qui tester, quand se rendre auprès des patients et comment prioriser des ressources rares, déplaçant ainsi la prise en charge d’une réaction à une maladie manifeste vers la détection discrète d’infections tant qu’il est encore temps d’intervenir.

Citation: Wallner, J., Berbuir, S., Birner, L. et al. Overcoming Data Loss in Wearable Disease Detection with GAN-Based Imputation. npj Digit. Med. 9, 275 (2026). https://doi.org/10.1038/s41746-026-02518-4

Mots-clés: capteurs portables, détection des maladies infectieuses, paludisme, imputation des données manquantes, santé numérique en milieu à ressources limitées