Données de sommeil et de température provenant d’appareils portables soutiennent la détection non invasive du diabète sucré dans une analyse rétrospective à grande échelle

Pourquoi votre sommeil et votre chaleur corporelle pourraient révéler un diabète caché

Des millions de personnes vivent avec un diabète sans le savoir, en partie parce que les tests standard ne sont généralement réalisés qu’après l’apparition de symptômes. Cette étude pose une question simple mais puissante : les bagues et montres intelligentes que beaucoup portent déjà pourraient-elles signaler discrètement des signes précoces de diabète, bien avant une visite en clinique ? En analysant des mois de données de sommeil, cardiaques et de température corporelle provenant de milliers de volontaires, les chercheurs montrent que les appareils portables courants peuvent détecter des changements subtils et persistants dans l’organisme qui sont fortement associés au diabète.

Les bagues intelligentes comme fenêtres sur la santé

L’équipe s’est appuyée sur les données de plus de 33 000 personnes utilisant une bague intelligente populaire qui suit la fréquence cardiaque, la variabilité de la fréquence cardiaque, les stades de sommeil et la température à la surface du doigt. Parmi ces utilisateurs, près de 11 000 ont déclaré ne jamais avoir été diagnostiqués pour un diabète, tandis que 389 ont signalé un diagnostic de diabète. Pendant plus de quatre mois en 2020, la bague a enregistré la vitesse des battements cardiaques nocturnes, la variabilité de ces battements, la durée et l’efficacité du sommeil, et la manière dont la température du doigt augmentait et diminuait au fil du jour et de la nuit. À partir de ces flux continus, les scientifiques ont construit 36 indicateurs nocturnes conçus pour capturer non seulement des moyennes simples, mais aussi les rythmes quotidiens et la complexité des variations de température corporelle pendant le sommeil.

Motifs cachés dans le sommeil et la température corporelle

Lorsque les chercheurs ont comparé les groupes, les personnes déclarant un diabète se distinguaient systématiquement de celles sans diagnostic. En moyenne, elles présentaient des fréquences cardiaques nocturnes plus élevées, une variabilité de la fréquence cardiaque plus faible (signe d’un système nerveux moins flexible), un sommeil légèrement plus court et une amplitude jour–nuit moindre de la température du doigt. L’équipe a également créé des caractéristiques de température plus avancées qui décrivent la stabilité du rythme de température sur 24 heures et la complexité du motif de température minute par minute au milieu de la nuit. Ces mesures enrichies se sont avérées particulièrement informatives, suggérant que le diabète modifie discrètement la façon dont le corps régule la chaleur et le sommeil sur de nombreuses nuits, et pas seulement sur des clichés isolés.

Apprendre aux algorithmes à repérer le risque

Pour vérifier si ces signaux issus des portables pouvaient effectivement distinguer les individus atteints de diabète, l’équipe a entraîné des modèles d’apprentissage automatique sur des fenêtres glissantes de 1 à 21 nuits de données. L’idée était que si le diabète produit des modifications petites mais persistantes de la physiologie, plusieurs semaines de mesures devraient rendre ces modifications plus visibles. C’est précisément ce qu’ils ont constaté : n’utiliser qu’une nuit de données donnait des performances modestes, mais alimenter le modèle avec 14 ou 21 nuits permettait au meilleur modèle d’atteindre un score de précision élevé (une AUROC d’environ 0,88) et une forte précision. En d’autres termes, trois semaines d’utilisation à domicile étaient suffisantes pour que l’algorithme sépare les personnes diabétiques de celles non diabétiques, bien au‑delà du hasard.

Distinguer le diabète d’autres maladies chroniques

De nombreuses affections chroniques, comme l’hypertension ou l’apnée du sommeil, peuvent aussi perturber le sommeil et les profils cardiaques. Les chercheurs craignaient que leur modèle ne détecte simplement « être malade » plutôt que le diabète en particulier. Pour tester cela, ils ont examiné des personnes déclarant ne pas être diabétiques mais rapportant une autre maladie chronique. Ces individus n’obtenaient pas des scores de type diabète significativement plus élevés que ceux déclarant ne pas avoir de pathologie chronique. Surtout, lorsque l’équipe a retiré les caractéristiques de température les plus avancées du modèle, les personnes ayant d’autres maladies chroniques se sont mises à être plus souvent confondues avec des cas de diabète. Cela montre que les motifs détaillés de température corporelle aident le système à être plus spécifique au diabète, au lieu de signaler tout type de problème de santé.

Ce que cela pourrait signifier pour la santé quotidienne

Enfin, les auteurs ont vérifié la performance de leur meilleur modèle dans une population plus réaliste, où seule une minorité a un diabète. Même dans ce test plus exigeant, en utilisant des milliers d’utilisateurs supplémentaires et en conservant un taux de diabète typique, le système a tout de même détecté bien plus de signal que le simple hasard. Pour un non‑spécialiste, le message est simple : des semaines de données passives et faciles à collecter par une bague ou une montre — votre sommeil, le comportement de votre cœur la nuit et la façon dont la température de votre peau monte et descend — contiennent suffisamment d’informations pour signaler une physiologie compatible avec le diabète. Bien que cela ne remplace pas les analyses sanguines, cela ouvre la voie vers un futur où les objets portés au quotidien suggèrent discrètement qui devrait se faire tester plus tôt, et peut‑être contribuent au suivi des maladies chroniques dans l’ordinaire de la vie.

Citation: Viswanath, V.K., Navaneethan, S., Burks, J.H. et al. Sleep and temperature data from wearable devices support noninvasive detection of diabetes mellitus in a large-scale, retrospective analysis. Commun Med 6, 223 (2026). https://doi.org/10.1038/s43856-026-01501-0

Mots-clés: appareils portables, rythmes de sommeil, température corporelle, détection du diabète, santé numérique