Un modèle d’apprentissage automatique de la fragilité basé sur des mesures d’appareils portables

Pourquoi le mouvement quotidien à un âge avancé compte

Alors que de plus en plus de personnes vivent dans la soixantaine, la septantaine, la quatre-vingtaine et au-delà, les médecins cherchent de meilleurs moyens pour repérer qui risque de s’affaiblir, de perdre son autonomie ou d’avoir besoin de soins d’urgence. Le terme médical pour cette vulnérabilité est la fragilité, mais les tests actuels sont lents, souvent subjectifs et difficilement reproductibles régulièrement. Cette étude explore si des données simples de mouvement recueillies par un traceur d’activité porté au poignet peuvent remplacer ces tests et même améliorer la capacité des médecins à prévoir des événements graves tels que l’hospitalisation et le décès.

Des carnets aux bracelets

Les scores de fragilité traditionnels interrogent sur la fatigue et la perte de poids, mesurent la vitesse de marche et la force de préhension, et font le total de multiples problèmes de santé. Ces outils sont utiles mais longs à administrer, et certains reposent sur la mémoire de la personne ou le jugement d’un clinicien débordé. Les chercheurs à l’origine de ce travail se sont demandé si une fenêtre plus objective sur la vie quotidienne — combien les gens bougent réellement, s’assoient et dorment — pourrait capturer les mêmes informations de façon plus efficace. À l’aide d’un appareil semblable à une montre appelé accéléromètre, ils ont enregistré chaque pas, pause et pic d’activité chez des personnes âgées pendant une semaine.

Une semaine de mouvement transformée en scores de risque

L’équipe s’est appuyée sur l’étude Toledo pour un vieillissement en bonne santé en Espagne, qui suit des centaines d’adultes de plus de 65 ans. Après des entretiens, des examens physiques, des analyses sanguines et des scanners corporels, 437 participants ont été invités à porter l’appareil d’activité pendant sept jours. Un logiciel spécialisé a transformé les signaux bruts de mouvement en caractéristiques numériques telles que le nombre total de pas, les périodes d’activité vigoureuse et les longues périodes sédentaires, ainsi que des motifs liés au sommeil et à l’éveil. Ces caractéristiques ont ensuite été introduites dans un modèle d’apprentissage automatique — un programme informatique qui apprend des motifs à partir des données — pour voir s’il pouvait reproduire plusieurs échelles de fragilité établies et des facteurs de risque liés au vieillissement.

Apprendre à un ordinateur à reconnaître la fragilité

Les chercheurs ont utilisé une approche dite d’arbres de décision à gradient boosté, qui combine de nombreuses règles de décision simples en un puissant prédicteur. Ils ont scindé à plusieurs reprises leur jeu de données en deux moitiés, entraînant le modèle sur une moitié et le testant sur l’autre, pour s’assurer que les résultats tiendraient sur des personnes non vues auparavant. Le modèle a pu estimer un score de fragilité détaillé, connu sous le nom de Frailty Trait Scale, avec une bonne précision en se basant uniquement sur les modèles d’activité. Un succès similaire a été observé pour d’autres mesures de fragilité et pour des facteurs de risque individuels liés au vieillissement, comme des résultats d’analyses sanguines et la force de préhension. Il est notable que deux jours — environ 48 heures — de données soigneusement choisies se sont révélés presque aussi informatifs que la semaine complète, ce qui suggère qu’une surveillance courte et ciblée pourrait suffire.

Prévoir les hospitalisations et la survie

Au-delà de la reproduction des scores de fragilité existants, le modèle basé sur l’activité a été testé sur des issues qui comptent profondément pour les patients et leurs familles : l’admission à l’hôpital et le risque de décès au fil du temps. Ici, les prédictions dérivées du mouvement ont souvent dépassé les performances des échelles de fragilité traditionnelles elles-mêmes. Autrement dit, la façon dont une personne bouge et se repose au quotidien a fourni un signal plus clair de problèmes imminents que des tests ponctuels en clinique. Cette découverte suggère que les appareils portables pourraient aider les médecins à identifier plus tôt les patients à haut risque et à adapter les soins de suivi ou les services de soutien avant que des crises ne se produisent.

Ce que cela pourrait signifier pour un vieillissement en bonne santé

L’étude suggère que de courtes périodes de surveillance avec un simple dispositif porté au poignet peuvent constituer un substitut efficace et objectif aux examens complexes de fragilité, tout en affinant les prédictions d’événements de santé graves. Pour les personnes âgées, cela pourrait éventuellement signifier moins de longues visites en clinique et une vision plus continue, à domicile, de l’évolution de leur santé. Pour les systèmes de santé, cela ouvre la porte au suivi de la fragilité dans de grandes populations et à l’orientation des ressources limitées vers ceux qui en ont le plus besoin. Les auteurs mettent en garde que des groupes plus divers et des mesures biologiques supplémentaires seront nécessaires pour construire l’image la plus complète du vieillissement. Néanmoins, leurs résultats évoquent un avenir dans lequel le mouvement quotidien, enregistré discrètement, devient un outil puissant pour préserver l’autonomie et prolonger des années de vie en bonne santé.

Citation: Culos, A., Manas, A., Shidara, K. et al. A machine learning model for frailty based on wearable device measurements. Commun Med 6, 173 (2026). https://doi.org/10.1038/s43856-026-01419-7

Mots-clés: fragilité, capteurs portables, personnes âgées, apprentissage automatique, vieillissement en bonne santé