Une montre connectée pour repérer l’hypertension persistante

NNoor

Alors, d’après Google Research, le système s’appelle AI-PPG-ACC-HTN et a été présenté dans une étude publiée dans Nature. Il utilise les capteurs d’une montre connectée grand public pour repérer passivement des signes d’hypertension, sans demander auparavant une calibration avec un brassard. Son objectif n’est pas de donner un chiffre de pression artérielle à un instant précis, mais de détecter un état hypertensif persistant en agrégeant des signaux physiologiques sur plusieurs jours. C’est ce changement de cible qui distingue la méthode : elle cherche un profil durable plutôt qu’une valeur ponctuelle. Le modèle produit donc un score de probabilité d’hypertension, et non une estimation de la pression systolique ou diastolique. Cela décrit ce que le système de recherche calcule, sans assimiler son résultat à une mesure de tension. Google indique aussi que les travaux ont contribué à une fonctionnalité de suivi de la pression artérielle dans son application Google Health, mais cela ne signifie pas que le modèle publié est directement utilisé par cette fonctionnalité.

NNoor

Le système associe deux types de signaux enregistrés par des capteurs de montre : la photopléthysmographie, souvent abrégée en PPG, et les données d’un accéléromètre. Le capteur optique suit les variations de lumière réfléchie au poignet, qui correspondent aux changements de volume sanguin associés au pouls, tandis que l’accéléromètre enregistre les mouvements. L’analyse ne consiste pas à prendre une seule lecture, mais à réunir des observations recueillies au fil de plusieurs jours afin de rechercher des signes compatibles avec une hypertension persistante. Pour entraîner le modèle, Google Research a utilisé 492 347 heures de données de capteurs provenant de 2 109 participants consentants. L’apprentissage contrastif auto-supervisé a permis au système d’apprendre des représentations à partir des données, sans que chaque signal ait besoin d’une annotation médicale manuelle. Les chercheurs ont notamment travaillé avec des segments de signaux de 15 secondes, une approche décrite dans la présentation de l’étude. Ces éléments expliquent la nature multimodale du système : il combine des informations optiques et liées au mouvement, au lieu de s’appuyer sur une mesure de pression prise par un brassard.

NNoor

Dans une étude prospective, le système a obtenu une sensibilité de 65,8 % et une spécificité de 90,0 % au dépistage, en comparaison avec la mesure ambulatoire de la pression artérielle sur 24 heures, d’après AlphaSignal. Ces chiffres décrivent les résultats observés dans cette étude et avec cette méthode de comparaison. La sensibilité de 65,8 % indique que le dépistage n’a pas repéré tous les cas identifiés par la mesure de référence. La spécificité de 90,0 % décrit également la performance du système dans ce protocole, sans signifier qu’un résultat serait certain pour chaque personne. Google Research indique que le système a été validé en le comparant à la mesure ambulatoire sur 24 heures et présente ses performances comme comparables aux parcours diagnostiques traditionnels avec brassard, pour le dépistage initial et la confirmation. Le fait que la méthode utilise des signaux recueillis par une montre explique l’intérêt de la recherche, mais les résultats ne donnent pas à eux seuls une performance pour chaque modèle de montre ou chaque situation. Ils portent sur un protocole d’étude et ne transforment pas le score produit en mesure directe de pression artérielle.

NNoor

Lors des tests de confirmation, AI-PPG-ACC-HTN a atteint une valeur prédictive positive de 96,7 %, d’après AlphaSignal. Ce chiffre concerne la proportion de résultats positifs qui ont été confirmés dans le cadre de l’étude, et non la capacité du système à repérer tous les cas au dépistage. Il faut donc le distinguer de la sensibilité de 65,8 % et de la spécificité de 90,0 %, mesurées lors de l’étape de dépistage. Google indique que la valeur prédictive positive obtenue dépasse celle de mesures répétées en cabinet et qu’elle est comparable à celle du suivi à domicile. La validation s’appuie sur une comparaison avec la mesure ambulatoire de la pression artérielle sur 24 heures. Ces résultats apportent un repère sur les tests de confirmation menés dans cette étude, mais ils ne permettent pas de conclure qu’une valeur identique serait obtenue pour chaque personne. Et le résultat reste associé à un score de probabilité d’hypertension, pas à une lecture de pression systolique ou diastolique fournie par la montre.

NNoor

La première limite tient à ce que le système produit : un score de probabilité d’hypertension, et non une mesure de la pression artérielle. Les performances publiées sont celles d’une étude prospective comparant le dépistage à une mesure ambulatoire sur 24 heures ; elles doivent donc être comprises dans le cadre de cette évaluation. Les résultats ne décrivent pas les performances de toutes les montres connectées ni celles de toutes les conditions d’utilisation. Il faut aussi distinguer l’étude de la fonctionnalité Blood Pressure Trends de l’application Google Health. Google Research indique que les résultats de recherche ont contribué à cette fonctionnalité, mais ne précise pas que le modèle AI-PPG-ACC-HTN publié l’alimente directement. Cette nuance empêche de présenter la fonctionnalité comme une mise en service du modèle étudié ou de lui attribuer les chiffres de l’étude. On peut donc dire qu’il existe un lien entre les travaux de recherche et le développement de cette fonction, mais pas affirmer que le système publié est le moteur de cette fonction. Les informations disponibles portent sur la recherche, ses résultats et cette contribution, sans établir davantage le fonctionnement de l’application.

NNoor

Bon, Google Research présente un système qui associe les signaux optiques et les mouvements enregistrés par une montre connectée afin de repérer des signes d’hypertension persistante, sans calibration par brassard. L’analyse rassemble des observations sur plusieurs jours et vise un état durable, plutôt qu’une valeur ponctuelle de pression artérielle. Dans l’étude prospective, le dépistage a atteint une sensibilité de 65,8 % et une spécificité de 90,0 %, en comparaison avec la mesure ambulatoire sur 24 heures. Lors des tests de confirmation, la valeur prédictive positive était de 96,7 %, un chiffre qui concerne cette étape et ce protocole. Le système fournit un score de probabilité, pas une mesure de pression systolique ou diastolique. Enfin, les travaux ont contribué à la fonctionnalité Blood Pressure Trends de Google Health, mais il n’est pas établi que le modèle publié alimente directement cette fonction. C’est donc une recherche sur le repérage de signes d’hypertension à partir de capteurs de montre, avec des performances mesurées dans une étude et une distinction importante entre le modèle évalué et la fonctionnalité de l’application.