"C'est bon pour les hommes de croire aux idées et de mourir pour elles" Jean Anouilh
Brain Health from Sleep EEG: A Multicohort, Deep Learning Biomarker for Cognition, Disease, and
MortalitySanté cérébrale et EEG du sommeil : un biomarqueur multicohorte d’apprentissage profond pour la cognition, les maladies et la mortalité
https://ai.nejm.org/doi/abs/10.1056/AIoa2500487
Contexte
Méthodes
Résultats
Vue conceptuelle du cadre d’apprentissage profond multitâche pour la dérivation d’un espace latent de santé cérébrale à partir de l’EEG du sommeil
Des spectrogrammes d’électroencéphalographie (EEG) sur une nuit complète, enregistrés à partir d’un seul canal, sont introduits dans un encodeur composé de blocs convolutionnels et de transformeurs, produisant une représentation latente de 1024 dimensions. Les covariables démographiques (âge, sexe biologique) sont ajoutées à ce vecteur.
L’espace latent est entraîné conjointement sur plusieurs tâches — cognition, pathologie et tâches de sommeil auxiliaires — à l’aide d’une fonction de perte multitâche partagée, afin d’encourager la représentation à capturer les caractéristiques de l’EEG pertinentes pour l’ensemble des résultats en aval.
Des têtes spécifiques à chaque tâche infèrent ensuite les performances cognitives, l’état de santé ou de maladie, ainsi que des métriques sommaires du sommeil. En parallèle, une tête linéaire projette les caractéristiques latentes dans un score unique de santé cérébrale.
Un décodeur de type U-Net (non représenté) reconstruit les stades de sommeil à une résolution de 30 secondes, grâce à des connexions directes entre l’encodeur et le décodeur.
L’ensemble du cadre est optimisé de bout en bout sur toutes les cohortes, produisant un embedding unifié et généralisable de la santé cérébrale dérivé de l’EEG.
Abbreviations:
BHS = Brain Health Score (score de santé cérébrale) ;
EEG = électroencéphalographie ;
REM = rapid eye movement (sommeil paradoxal).
Conclusions
NOTEBOOKLM / SYNTHESE
- Exploiter le plus grand ensemble de données multicohortes d'EEG du sommeil assemblé à ce jour.
- Développer un cadre de deep learning de bout en bout pour apprendre une représentation latente de la santé cérébrale.
- Valider ce biomarqueur par rapport à la cognition, aux maladies neurologiques et cardiovasculaires, et à la mortalité toutes causes confondues.
- Massachusetts General Hospital (MGH) : Patients avec tests neuropsychologiques et dossiers électroniques.
- Framingham Heart Study (FHS).
- Multi-Ethnic Study of Atherosclerosis (MESA).
- Osteoporotic Fracture in Men (MrOS) & Study of Osteoporotic Fractures (SOF).
- Korean Genome and Epidemiology Study (KoGES).
- Beth Israel Deaconess Medical Center (BIDMC) : Utilisé pour la validation externe indépendante.
- Entrée : spectrogrammes d'un seul canal EEG (C4-M1).
- Espace Latent : Le modèle apprend une représentation de 1024 dimensions reflétant la santé cérébrale.
- Objectifs multitâches : prédiction simultanée de la performance cognitive, du statut de la maladie, des métriques du sommeil (stades, densité de fuseaux) et de la physiologie auxiliaire.
- Score de santé cérébrale (BHS) : Une projection linéaire de l'espace latent optimisée pour corréler avec une meilleure cognition et un risque de maladie plus faible.
|
Domain
|
Performance (base démographique)
|
Performance (modèle Deep Learning)
|
|---|---|---|
|
Corrélations Cognitives (r)
|
Faibles
|
Modérées (jusqu'à 0,40)
|
|
Classification des Maladies (AUROC)
|
0,50 – 0,55
|
0,65 – 0,75
|
- Maladies détectées : démence, trouble cognitif léger (MCI), dépression, trouble bipolaire, fibrillation auriculaire, infarctus du myocarde et hypertension.
- Cognition cristallisée : amélioration significative de la prédiction dans les cohortes MGH, FHS et SOF.
- Réduction du risque : Une augmentation d'un écart-type (1-SD) du BHS est associée à une réduction de 31 % à 35 % du risque de mortalité (Hazard Ratio de 0,65 à 0,69 ; P < 0,0001).
- Discrimination : L'ajout du BHS aux modèles basés sur l'âge a amélioré l'indice C de Harrell (jusqu'à 0,81 dans la cohorte MGH).
- Validation Externe : Confirmée dans la cohorte indépendante BIDMC avec une amélioration nette de 30 % dans la reclassification des risques.
- Indicateurs Positifs (Santé) :
- Sommeil total plus long.
- Activité delta et ondes lentes (0,3-4 Hz) plus élevée en stade N3.
- Densité accrue des fuseaux de sommeil et couplage fuseau-onde lente.
- Fraction de sommeil paradoxal (REM) plus élevée (particulièrement liée à une réduction du risque de démence et de dépression).
- Indicateurs négatifs (pathologie) :
- Sommeil fragmenté (transitions fréquentes vers le stade N1 ou l'éveil).
- Rapport thêta/alpha élevé en stade N1.
- Oscillations très lentes (≤ 1 Hz) en sommeil non-REM (associées à une cognition plus faible dans les cartes de saillance).
- Dépistage : seuils de spécificité bas (50 %) offrant une sensibilité élevée (0,70–0,80) pour la dépression et la démence.
- Confirmation : seuils de spécificité élevés (90 %) pour une précision accrue.
- Variabilité nuit à nuit : la plupart des analyses reposent sur une seule nuit d'EEG.
- Asynchronie des données : les tests cognitifs et les enregistrements EEG ont parfois été effectués à plusieurs mois ou années d'intervalle.
- Interprétabilité : bien que les cartes de saillance fournissent des indices, la nature "boîte noire" du deep learning limite une compréhension biologique complète.
RAPPEL
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
https://medvasc.info/archives-blog/ia-sommeil-pr%C3%A9dire-la-survenue-de-maladies
L'article décrypté et l'article ci-dessus ont en commun l'analyse du sommeil dans le but de prédire des affections. Mais ce qui va faire l'objet de ce commentaire, c'est la,prédiction de la mortalité toute cause.
Analyse par GEMINI IA
Est-ce qu'une IA peut prédire la mort avec beaucoup de précision ?
Oui, une IA peut prédire le risque de décès avec une précision parfois étonnante, mais il est important de remettre les choses dans leur contexte scientifique. L'IA n'est pas une boule de cristal : elle ne peut pas vous donner la date exacte ni l'heure de votre mort. En revanche, elle est excellente pour calculer des probabilités établies sur d'immenses volumes de données.
Voici comment cela fonctionne dans la réalité et quelles en sont les limites.
Comment l'IA calcule-t-elle ce risque ?
L'intelligence artificielle utilise des algorithmes d'apprentissage automatique (machine learning) pour analyser des millions de trajectoires de vie. En croisant des données très variées, elle repère des schémas que le cerveau humain ne pourrait pas détecter seul. Les données utilisées incluent généralement :
-
Les antécédents médicaux : maladies, génétique, résultats d'analyses de sang, électrocardiogrammes (ECG).
-
Le mode de vie : tabagisme, alimentation, niveau d'activité physique.
-
Les facteurs socio-économiques : profession, niveau de revenu, lieu de résidence, éducation.
Des exemples concrets de prédictions
Dans le monde de la recherche et de la médecine, ces IA sont déjà testées et parfois utilisées avec un haut degré de précision dans des contextes très précis :
-
Le modèle "Life2vec" (au Danemark) : Récemment, des chercheurs ont utilisé les données de santé et de vie de millions de Danois pour entraîner une IA. En lui fournissant l'historique d'une personne de 2008 à 2015, l'IA a pu prédire avec une précision d'environ 78 % si cette personne allait décéder dans les quatre années suivantes (de 2016 à 2020).
-
Les soins intensifs hospitaliers : Des IA analysent en temps réel les signes vitaux des patients branchés aux moniteurs. Elles peuvent alerter les médecins d'une dégradation fatale imminente (comme une crise cardiaque ou une septicémie) plusieurs heures avant qu'elle ne se produise, permettant parfois de sauver la vie du patient.
-
L'analyse d'images médicales : certaines IA analysent des radios ou des scanners pour prédire le risque de mortalité à 5 ou 10 ans en détectant des signes de vieillissement prématuré des organes, invisibles à l'œil nu.
Les limites fondamentales
Malgré ces avancées impressionnantes, il faut garder à l'esprit plusieurs limites majeures :
-
L'IA prédit une probabilité, pas un destin : Si l'IA dit qu'il y a 90 % de chances de décès dans les 5 ans, il reste 10 % de chances de survie. C'est une statistique, pas une certitude.
-
L'imprévisibilité de la vie : aucune IA ne peut prédire qu'un individu en parfaite santé se fera renverser par une voiture demain ou sera victime d'un accident imprévisible.
-
La qualité des données : Une IA n'est aussi bonne que les données qu'on lui fournit. Si vos données médicales sont incomplètes ou erronées, la prédiction sera fausse.
En résumé, l'IA est un outil statistique redoutable pour la médecine préventive et l'anticipation des risques à grande échelle, mais elle ne possède aucun pouvoir divinatoire individuel.
Oui, l'intelligence artificielle peut prédire la mortalité avec une précision élevée dans divers contextes cliniques. Les modèles d'apprentissage automatique atteignent des performances remarquables, avec des aires sous la courbe ROC (AUROC) allant de 0.83 à 0.96 selon les populations et les contextes.
Les modèles d'IA surpassent systématiquement les scores de prédiction traditionnels. Dans les unités de soins intensifs, les algorithmes d'IA atteignent des AUROC jusqu'à 0.929, comparativement à 0.85 pour les scores conventionnels comme SAPS-3 ou APACHE IV. Pour la mortalité hospitalière, les modèles d'apprentissage automatique ont démontré des AUROC de 0.924 à 0.977, avec des sensibilités de 88% et des spécificités de 83-94%.
Les applications cliniques sont diverses. L'IA peut prédire la mortalité hospitalière à l'admission grâce à des données démographiques, des résultats de laboratoire et des signes vitaux. Dans les services d'urgence, les modèles atteignent des AUROC de 0.96 en utilisant des paramètres disponibles dans les 30 minutes suivant l'arrivée. Pour les soins de fin de vie, l'IA combinée à des dispositifs portables peut prédire les décès dans les 7 jours avec une AUROC de 96%.
Une méta-analyse récente de 88 études a montré une performance globale avec un AUROC de 0,831 pour prédire la mortalité toutes causes confondues. Les variables les plus importantes identifiées incluent le lactate sérique, le score de Glasgow, l'albumine, l'excès de base et la pression artérielle.
Cependant, des limitations significatives existent. Les modèles peuvent présenter des performances variables selon les sous-populations définies par la race ou le sexe, même lorsqu'ils sont entraînés sur les mêmes données. La validation externe reste limitée (seulement 8% des études), et il existe un risque de perpétuation des disparités sociales. Les modèles doivent être personnalisés pour des populations et des contextes médicaux spécifiques pour optimiser leur précision.
En fait la prédiction de la mort par une IA s'oppose à la prédiction de l'éternité par une autre IA. Mais est-ce vocation de l'IA ? La réponse est NON. Mais, si on y réfléchit, nous allons découvrir un jour des officines spécialisées dans la prédiction à la seconde près de la mort, ce qui va simplifier la loi sur la fin de vie et en particulier ce que je déteste, l'euthanasie. L'IA peut prédire l'évolution d'une affection et ainsi agir précocement, mais la mort ne doit pas être l'affaire de l'IA , c'est l'affaire de l'humanité, l'affaire des humains. La quête de l'éternité est une absurdité totale, une irresponsabilité que seul un humain peut concevoir, notamment les "gourous et les sectes". la vocation de la science, c'est de prendre soin de la population du mieux possible , l'IA pourra nous aider. Dans ce sens, ni les humains ni l'IA ne doivent programmer la mort ni y participer. La mort appartient à la vie ...respectons là !
Prédire la longévité et la mort, le jackpot des assurances et de la CPAM !
Roger Belbéoch " Seuls les statisticiens pourront, dans certaines conditions, se rendre compte qu’il y a quelque chose. Ils pourront dire que, sur 1 000 cancéreux, une forte proportion le sont devenus sous l’action du rayonnement artificiel. Ils pourront – si leur étude est bien faite – le dire avec une bonne certitude (un fort niveau de confiance, comme ils disent), mais ils ne pourront jamais identifier lesquels sont morts à cause du rayonnement "
