Le plan pour la médecine du futur se dirige vers une approche 4P.

La médecine jusqu’alors essentiellement curative évoluera demain vers une médecine 4P :

Une médecine personnalisée ou médecine de précision : médecine tenant compte du profil génétique ou protéique de l’individu et permettant de proposer un traitement ciblé ou un changement de choix de vie.
Une médecine prédictive : médecine capable de prédire les risques de développement d’une maladie avant son apparition.
Une médecine préventive : médecine, plus classique, prenant en charge les problèmes de santé en se concentrant sur le mieux-être de la personne et non sur la maladie.
Une médecine participative : médecine amenant les patients à être de plus en plus responsables de leur santé et de leurs soins."

https://www.msdconnect.fr/innovation-sante/exercer-aujourdhui/medecine-du-futur-quelles-avancees-et-quel-impact-sur-les-professionnels-de-sante /

Préambule, à lire

Modèles multimodaux et apprentissage multimodal : développer les capacités de l'IA
Découvrez comment les modèles multimodaux intègrent du texte, des images, de l'audio et des données de capteurs pour améliorer la perception, le raisonnement et la prise de décision de l'IA.

Les modèles d'apprentissage multimodal intègrent divers types de données.
https://www.ultralytics.com/fr/blog/multi-modal-models-and-multi-modal-learning-expanding-ais-capabilities

L'ARTICLE

Thapa R, Kjaer MR, He B, Covert I, Moore Iv H, Hanif U, Ganjoo G, Westover MB, Jennum P, Brink-Kjaer A, Mignot E, Zou J. A multimodal sleep foundation model for disease prediction.

Un modèle multimodal de base du sommeil pour la prédiction des maladies

Nat Med. 6 Jan 2026. doi: 10.1038/s41591-025-04133-4. Epub ahead of print. PMID: 41495409.
https://www.nature.com/articles/s41591-025-04133-4
Article en accès libre

Le sommeil est un processus biologique fondamental aux implications majeures pour la santé physique et mentale, pourtant sa relation complexe avec les maladies reste mal comprise.

La polysomnographie (PSG), méthode de référence pour l'analyse du sommeil, enregistre de riches signaux physiologiques, mais est sous-utilisée en raison de difficultés de standardisation, de généralisation et d'intégration multimodale.

Pour pallier ces difficultés, nous avons développé SleepFM, https://www.nature.com/articles/s41591-025-04133-4, entraîné grâce à une nouvelle approche d'apprentissage contrastif qui prend en charge de multiples configurations PSG.

Entraîné sur un ensemble de données validées de plus de 585 000 heures d'enregistrements PSG provenant d'environ 65 000 participants issus de plusieurs cohortes,

SleepFM produit des représentations latentes du sommeil qui capturent sa structure physiologique et temporelle et permettent une prédiction précise du risque futur de maladie. À partir d'une seule nuit de sommeil, SleepFM prédit avec précision 130 pathologies avec un indice C d'au moins 0,75 (p < 0,01 après correction de Bonferroni). Il s'agit notamment de la mortalité toutes causes confondues (indice C : 0,84), la démence (0,85), l'infarctus du myocarde (0,81), l'insuffisance cardiaque (0,80), l'insuffisance rénale chronique (0,79), l'accident vasculaire cérébral (0,78) et la fibrillation auriculaire (0,78).

De plus, le modèle démontre d'excellentes performances d'apprentissage par transfert sur un jeu de données issu de l'étude Sleep Heart Health Study (données exclues du pré-entraînement) et se compare avantageusement aux modèles spécialisés de classification des stades du sommeil tels que U-Sleep et YASA pour les tâches d'analyse du sommeil courantes. Il atteint des scores F1 moyens _de 0,70 à 0,78 pour la classification des stades du sommeil et des précisions de 0,69 et 0,87 pour la classification de la gravité et de la présence de l'apnée du sommeil. Ce travail montre que les modèles de base peuvent apprendre le langage du sommeil à partir d'enregistrements multimodaux du sommeil, permettant une analyse évolutive et efficace en matière d'étiquetage ainsi qu'une prédiction des maladies.

SYNTHÈSE/NOTEBOOKLM

Ce document présente SleepFM, un modèle d'intelligence artificielle révolutionnaire conçu pour analyser les enregistrements polygraphiques du sommeil et prédire les risques de maladies futures. Entraîné sur plus de 585 000 heures de données physiologiques, ce système multimodal surpasse les méthodes traditionnelles en intégrant les activités cérébrales, cardiaques et respiratoires. Les chercheurs démontrent que le modèle peut anticiper avec précision 130 pathologies différentes, notamment la démence, l'insuffisance cardiaque et la mortalité précoce. Grâce à une architecture flexible, SleepFM s'adapte à divers environnements cliniques sans nécessiter d'annotations manuelles coûteuses. Cette innovation souligne le potentiel immense du sommeil comme biomarqueur non invasif pour un suivi médical préventif et personnalisé. L'étude prouve enfin que la technologie de transfert permet au modèle de rester performant sur des populations totalement inédites.

DIAPORAMA/NOTEBOOKLM

SONO5

Commentaire

Prédire les maladies du futur, une avancée majeure en médecine. la question est de savoir si ces prédictions pour certaines affections seront ou ne seront pas bénéfiques. L'avenir nous le dira, mais attention à la boite de Pandore. Tout ceci devra être encadré très sérieusement et ne pas laisser de telles prédictions dans n'importe quelle main : assureur, banquier, famille, mutuelles, etc.

À signaler que la base de données provient à 75 pourcent de Bioserenity, une start-up française (Alaedine Benani)
BIOSERENITY : https://bioserenity.fr/

A LIRE

IA MEDICINE PRÉDICTIVE / DELPHI-2
Learning the natural history of human disease with generative transformers

Apprendre l'histoire naturelle des maladies humaines avec des transformateurs génératifs
Shmatko, A., Jung, AW, Gaurav, K. et al.Nature (2025).
https://www.nature.com/articles/s41586-025-09529-3
Libre d'accès

Article scientifique décrivant un nouveau modèle d'intelligence artificielle nommé Delphi-2M, qui est une modification de l'architecture de transformateur GPT pour modéliser la progression et la nature concurrentielle des maladies humaines. L'étude explique que la prise de décision en santé nécessite de comprendre les antécédents des patients pour prédire leur évolution future. L'IA peut apporter son aide en apprenant des schémas de progression de maladies à partir de vastes corpus de dossiers médicaux dans ce domaine. Entraîné sur des données du Royaume-Uni et validé avec succès sur celles danoises, le modèle Delphi-2M est capable de prédire les taux de plus de 1000 maladies. Il fournit ainsi des estimations de l'évolution de la charge de morbidité sur une période de plus de deux décennies. L'article détaille également la capacité du modèle à générer des trajectoires de santé synthétiques et à fournir des explications sur ses prédictions, mettant en lumière les dépendances temporelles entre les événements pathologiques et les biais appris dans les données d'entraînement. En somme, cette recherche positionne les modèles établis sur des transformateurs comme des outils prometteurs pour la médecine de précision et la planification des soins de santé à l'échelle des populations. NoteBookKLM

DELPHI 2M

Commentaire

DELPHI-2M nous fait entrer dans un monde nouveau.
Est-ce une boite de Pandore ou une acquisition majeure pour l'humanité ?
Si tout est sous contrôle, Pandore non .
Toutefois il faut être positif , cette anticipation de la santé par DELPHI-2M est en même temps passionnante et assez incroyable quand tout fonctionnera au mieux.
Mais, attention, dans ce contexte l'éthique sera à préserver.
Pourquoi ne pas s'orienter vers un dépistage et une prédiction des maladies cardiovasculaires, du diabète et du cancer ?
Ces affections dépistées très tôt sont et seront curables.
Ainsi, on pourra faire de la prévention très précoce pour ces populations et ça fonctionnera.
La prévention primaire sera ainsi révolutionnée et enfin efficace !

Affaire à suivre de très près !