Évaluer la faisabilité d’utiliser les données de smartphone pour identifier le risque d’hypertension artérielle pulmonaire idiopathique

Pourquoi votre téléphone pourrait aider à repérer un problème silencieux cœur-poumons

La plupart d’entre nous portent un smartphone et beaucoup portent une montre qui enregistre discrètement nos pas, notre fréquence cardiaque et notre sommeil. Cette étude pose une question simple mais puissante : ces traces numériques du quotidien pourraient-elles aider les médecins à déceler plus tôt une affection rare et grave des poumons et du cœur appelée hypertension artérielle pulmonaire idiopathique (HAPI), bien avant que les personnes n’atteignent une consultation spécialisée ? Les chercheurs ont exploré des années de données du monde réel issues de téléphones, de montres et de questionnaires intégrés à l’application pour voir si des motifs subtils dans les mouvements quotidiens et les signaux cardiaques pouvaient révéler qui présente un risque plus élevé.

Une maladie difficile à détecter

L’HAPI rétrécit les vaisseaux sanguins qui acheminent le sang du cœur vers les poumons. Avec le temps, cela rend les personnes essoufflées, épuisées et exposées au risque d’insuffisance cardiaque. Pourtant, les signes précoces sont flous — fatigue, essoufflement à l’effort — et le test définitif nécessite une procédure invasive de cathétérisme cardiaque dans un centre spécialisé. Beaucoup de patients attendent environ trois ans entre l’apparition des premiers symptômes et le diagnostic, moment où la maladie est plus avancée et plus difficile à traiter. L’équipe à l’origine de cette étude voulait savoir si le suivi continu et passif de l’activité quotidienne pouvait donner un indice précoce qu’il se passait quelque chose d’anormal.

Transformer les mouvements quotidiens en indices de santé

Les chercheurs ont utilisé l’application iPhone My Heart Counts, qui se connecte aux données Apple Health provenant des téléphones et des Apple Watch. Ils ont recruté 109 personnes au Royaume-Uni qui possédaient déjà un iPhone, dont 33 avec une HAPI confirmée, 14 atteintes d’autres maladies graves (principalement après un COVID-19 sévère) et 61 volontaires sains. Pour certains patients, ils ont pu remonter des mois voire des années avant le diagnostic en utilisant les données historiques enregistrées sur le téléphone. Ils ont examiné des mesures simples comme le nombre de pas effectués, la vitesse de marche, le nombre d’étages montés, le comportement de la fréquence cardiaque au repos et en mouvement, et la qualité du sommeil nocturne. Les participants ont aussi répondu à des questions sur le mode de vie, l’humeur et leurs attitudes vis‑à‑vis de l’exercice et de la maladie.

Ce que les données ont révélé sur la vie quotidienne

Les personnes qui ont développé une HAPI bougeaient déjà moins et plus lentement que les volontaires sains, même avant d’être diagnostiquées. Elles faisaient moins de pas, montaient moins d’étages et leur allure de marche était plus lente. Leur fréquence cardiaque au repos avait tendance à être plus élevée et la variabilité battement-à-battement était réduite — des signes que l’organisme travaillait davantage et s’adaptait moins bien. Elles passaient aussi plus de temps éveillées la nuit. Après le diagnostic et la mise en place d’un traitement, ces mesures se sont généralement améliorées : les patients marchaient davantage, montaient plus d’étages et leur fréquence cardiaque devenait plus calme et plus flexible, reflétant les améliorations observées lors des tests de marche de six minutes en clinique. Les réponses aux questionnaires sur l’état d’esprit et le mode de vie ont apporté un niveau d’information supplémentaire : les personnes atteintes d’HAPI doutaient plus souvent que leur niveau d’activité actuel soit bénéfique et voyaient plus fréquemment la maladie comme quelque chose de fixe ou d’héréditaire, plutôt que comme un état pouvant être influencé par le mode de vie.

Apprendre aux ordinateurs à reconnaître le risque

Pour tester si ces signaux numériques pouvaient aider à signaler une HAPI, l’équipe a entraîné des modèles d’apprentissage automatique sur les données de l’application. En n’utilisant que les informations antérieures au diagnostic, les modèles basés sur les données de la montre (incluant la fréquence cardiaque) pouvaient distinguer l’HAPI des témoins sains et des contrôles malades avec de bonnes performances, mesurées par une aire sous la courbe ROC d’environ 0,87. Les seules données d’activité issues du téléphone donnaient aussi de bons résultats, et l’ajout de certaines réponses au questionnaire — en particulier sur le mode de vie et la satisfaction de vie — a porté la performance jusqu’à 0,94. Lorsqu’ils ont essayé la même approche sur un groupe distinct d’utilisateurs américains de l’application, les modèles ont initialement été moins performants, principalement parce que les schémas d’activité et les antécédents de santé différaient entre les pays. Mais après avoir réentraîné le système avec une petite portion de données américaines pour tenir compte de ces différences, le modèle a de nouveau atteint une précision utile (aire sous la courbe ROC d’environ 0,74), ce qui suggère que de tels outils pourraient être adaptés à différentes populations.

Ce que cela pourrait signifier pour les patients

Pour le lecteur général, le message clé est que vos pas, votre allure de marche et la façon dont votre fréquence cardiaque réagit au cours de la vie quotidienne contiennent des informations de santé significatives — même quand vous ne vous sentez que vaguement mal. Cette étude, encore limitée et exploratoire, montre que des données simples collectées passivement par des dispositifs grand public, combinées à quelques courts questionnaires, peuvent refléter des résultats de tests hospitaliers et aider à distinguer les personnes atteintes d’une affection grave mais cachée de celles qui sont en bonne santé ou qui ont d’autres problèmes. Les auteurs insistent sur le fait que des études beaucoup plus larges et plus diversifiées sont nécessaires avant que de tels outils puissent orienter la prise en charge, et que les motifs observés ne sont pas uniques à l’HAPI. Néanmoins, leur travail ouvre la voie à un avenir où téléphones et objets connectés servent de compagnons d’alerte précoce, aidant patients et médecins à détecter plus tôt les changements dangereux dans la santé cœur‑poumon, avec des examens moins invasifs et des traitements plus opportuns.

Citation: Delgado-SanMartin, J.A., Keles, M., Errington, N. et al. Assessing the feasibility of using smartphone data to identify risk of idiopathic pulmonary arterial hypertension. npj Cardiovasc Health 3, 16 (2026). https://doi.org/10.1038/s44325-026-00114-9

Mots-clés: santé numérique, hypertension pulmonaire, capteurs portables, surveillance par smartphone, apprentissage automatique en médecine