Une semaine de mouvements du poignet pour prédire la maladie future : ce que deux foundation models d'accélérométrie lisent vraiment dans l'UK Biobank
Une équipe de Stanford et du Danemark (avec James Zou et Emmanuel Mignot) encode une semaine de mouvements du poignet chez 97 696 participants de l'UK Biobank à l'aide de deux foundation models figés, puis entraîne un modèle de survie à prédire 390 maladies futures d'un coup. La concordance moyenne atteint 0,688, un axe unique de « bouge plus ou moins » explique 76 % du risque prédit, et une signature prodromale de la maladie de Parkinson ressort nettement (AUROC à cinq ans de 0,90 sur 428 cas). Mais tout tient dans une seule cohorte non représentative, sans validation externe, et les encodeurs ont été pré-entraînés sur ces mêmes données.
Le contexte
Les accéléromètres de poignet — le capteur qui, dans une montre connectée, mesure l'accélération du bras selon trois axes — sont devenus ubiquitaires. En une semaine de port, ils enregistrent l'activité physique, le sommeil et de fines oscillations liées à la respiration. On sait depuis une dizaine d'années qu'un faible niveau d'activité prédit la mortalité ; on sait moins ce qu'une semaine de mouvement dit du risque de développer telle ou telle maladie précise, à travers l'ensemble du « phénome » (l'éventail complet des pathologies d'un individu). Les travaux antérieurs sur l'UK Biobank — la grande cohorte britannique de 500 000 volontaires — extrayaient surtout des résumés d'activité (minutes d'activité modérée, temps sédentaire) ou entraînaient un modèle par maladie. La question de ce préprint : peut-on transformer une semaine brute de signal en une représentation réutilisable qui prédise des centaines de maladies simultanément ?
La méthode
Deux « foundation models » — des réseaux de neurones pré-entraînés sur de grandes quantités de données non étiquetées, réutilisables ensuite pour de multiples tâches — sont mis à contribution, tous deux développés auparavant par la même équipe et laissés figés (leurs poids ne sont pas ré-ajustés ici). Ils ont été entraînés par auto-supervision (le modèle apprend à reconstruire une portion masquée du signal sans étiquette humaine) sur environ 109 000 enregistrements de l'UK Biobank. Le premier, baptisé HA (Human Activity), est un autoencodeur masqué à base de transformer — l'architecture qui traite une séquence en pondérant l'importance relative de ses éléments — qui découpe le signal en fenêtres de 10 secondes et reconstruit un spectrogramme (la décomposition du mouvement en fréquences) ; il vise les comportements diurnes. Le second, AcceleRest, travaille sur des fenêtres de 30 secondes avec un objectif lié à l'amplitude respiratoire, et vise le sommeil et le signal cardiorespiratoire. Chacun produit une représentation vectorielle (embedding) de 256 dimensions par fenêtre.
Les données proviennent de la sous-étude d'accélérométrie de l'UK Biobank : un Axivity AX3 porté au poignet dominant pendant sept jours, échantillonné à 100 Hz. Après contrôle qualité, 97 696 participants (56 % de femmes, âge moyen 62 ans, écart-type 8) sont retenus, répartis en 87 652 pour l'entraînement, 4 772 pour la validation et 5 272 en test, sans chevauchement de participants. Les diagnostics hospitaliers (codes CIM-10) et les causes de décès sont regroupés en « phecodes » ; ceux qui touchent au moins 0,30 % de la cohorte (389) plus la mortalité toutes causes forment les 390 issues à prédire. Sur les représentations quotidiennes — condensées puis concaténées en un vecteur de 1 536 dimensions — un modèle de survie (qui prédit non pas une étiquette mais le délai avant l'apparition d'une maladie) est entraîné : un transformer glissant sur des fenêtres de trois jours, avec une perte de Cox multi-étiquettes (le modèle de référence en analyse de survie, étendu ici à 390 maladies à la fois). L'âge et le sexe sont ajoutés, et quatre modèles à graines aléatoires différentes sont moyennés. La performance se lit en concordance (C-index) : la probabilité, entre 0,5 et 1, que le modèle attribue un risque plus élevé au patient qui tombe malade le premier.
Les résultats
Sur les 5 253 participants de test, la concordance moyenne est de 0,688 (IC 95 % 0,679–0,697) à travers les 388 issues évaluables — modeste en apparence, mais au-dessus du hasard pour chaque catégorie. La mortalité toutes causes atteint 0,767. Le résultat le plus frappant est structurel : un seul axe, obtenu en cherchant la direction principale des risques prédits (après avoir retiré l'effet de l'âge et du sexe), explique 76 % de la variance du risque, et presque toutes les maladies s'y projettent positivement (97 % de charges positives). Autrement dit, l'essentiel de ce que capte le poignet est un gradient général de « santé/vigueur » — plus on bouge, moins on est à risque de à peu près tout. Les auteurs le nomment SHARC et montrent qu'il corrèle surtout avec l'intensité du mouvement (95ᵉ percentile d'accélération, corrélation −0,52) et l'IMC (0,48).
Mais ce n'est pas que cela. Au-delà de cet axe partagé, un score spécifique par maladie améliore encore la discrimination pour 85 des 101 issues bien pourvues en cas. Les gains les plus nets concernent les maladies neurodégénératives. En test, la maladie de Parkinson atteint une concordance de 0,91 (sur seulement 25 cas incidents) et Alzheimer 0,85 (15 cas). Sur l'ensemble de la cohorte (analyse « out-of-fold » à plus forte puissance, 428 cas de Parkinson, délai médian jusqu'au diagnostic de 4,9 ans), l'AUROC dépendant du temps — l'aire sous la courbe ROC calculée à un horizon donné — est de 0,90 à cinq ans (IC 0,873–0,923) et 0,87 à sept ans. Point crucial pour écarter la causalité inverse : après « lead-time washout » (on exclut les cas diagnostiqués dans les trois ans suivant le port, pour vérifier qu'on ne lit pas déjà les symptômes moteurs installés), l'AUROC à sept ans ne recule que de 0,872 à 0,849. Le signal semble donc prodromal — antérieur au diagnostic — et non un simple reflet de la maladie déjà là. Le modèle bat même un modèle sur-mesure publié pour Parkinson (précision moyenne prodromale de 0,18 contre 0,07).
La traduction clinique est indispensable ici. Une AUROC de 0,90 sur une maladie qui touche 0,44 % de la cohorte n'est pas un test diagnostique. Signaler les 10 % de participants au risque le plus élevé capture 77 % des futurs Parkinson — mais ces 10 %, ce sont près de 9 700 personnes, dont l'immense majorité ne développera jamais la maladie. En cadrage prodromal, la précision moyenne est de 0,18 : utile pour enrichir une cohorte d'essai (61 fois la prévalence de base), inutile pour rassurer ou alarmer un individu. C'est la différence entre trier une population et diagnostiquer une personne.
Ce qui est bien
Une échelle et une ampleur réelles. 97 696 participants, 390 maladies prédites par un seul modèle à partir d'embeddings figés et réutilisables : le coût marginal d'ajouter une maladie est nul, et une semaine de port suffit. C'est une démonstration crédible qu'un signal brut de poignet encode une information de santé large, bien au-delà des minutes d'activité habituellement extraites.
Des comparateurs honnêtes. Contrairement à beaucoup d'études qui n'affichent que leur meilleure métrique, les auteurs se mesurent aux bonnes lignes de base : âge + sexe + IMC seuls donnent 0,639, une régression sur les résumés d'activité standard de l'UK Biobank 0,577, et le poignet seul 0,684 — l'ajout de l'âge et du sexe n'apporte que +0,005. Ils vont plus loin en montrant que l'âge, le sexe et l'IMC sont eux-mêmes reconstructibles depuis l'embedding (sexe AUROC 0,997, âge r 0,852), transparence rare sur les facteurs confondants tapis dans la représentation.
Un signal prodromal soigneusement testé. Le washout à trois ans, la réplication géographique interne (leave-one-region-out, 0,65–0,67), la calibration rapportée (pente médiane 1,03) et l'analyse de courbe de décision montrent une équipe qui essaie activement de casser son propre résultat plutôt que de le vendre. Que la signature de Parkinson survive au washout est le résultat le plus intéressant du papier.
Ce qui est moins bien
Aucune validation externe — et une fuite de représentation possible. Tout repose sur l'UK Biobank. Or les deux encodeurs ont été pré-entraînés sur les mêmes enregistrements : seules les étiquettes de maladie sont tenues à l'écart, pas la représentation. Le modèle n'a jamais vu un autre appareil (l'Axivity AX3 de recherche n'est ni une Apple Watch ni un Fitbit), une autre population, un autre système de codage. C'est précisément l'étape — la validation externe — qui fait s'effondrer la plupart des modèles d'IA-santé, et elle manque ici ; les auteurs le concèdent explicitement.
Un biais de population majeur. L'UK Biobank est un archétype du biais du volontaire sain : participants plus éduqués, plus aisés et en meilleure santé que la population générale, avec peu de très jeunes et de très âgés. La contrainte de porter un capteur sept jours élimine encore les patients les plus atteints — au point que, dans cette cohorte, la démence enregistrée est plus rare que Parkinson, l'inverse de la réalité. De plus, les issues ne viennent que de l'hôpital et des certificats de décès : environ la moitié des démences et 39 % des AVC ne sont codés qu'en soins primaires et échappent donc au comptage, ce qui sous-estime les cas et fausse la discrimination.
Un axe unique qui ressemble à de la forme physique. Que 76 % du risque prédit tienne à un seul gradient corrélé à l'intensité du mouvement et à l'IMC invite à la prudence : pour la majorité des 390 maladies, le modèle rejoue surtout « les gens en forme tombent moins malades », vérité utile mais peu spécifique, et partiellement confondue avec l'âge et la corpulence (que l'embedding encode déjà). La vraie nouveauté — les signatures spécifiques, notamment neurodégénératives — repose sur des effectifs parfois minuscules (25 cas de Parkinson, 15 d'Alzheimer en test), d'où de larges intervalles de confiance. Enfin, ni les poids ni les données ne sont partageables (politique UK Biobank) et le code n'est promis qu'à la publication : la reproductibilité immédiate est nulle.
Ce que ça change
Pour la communauté de recherche, l'idée d'embeddings d'accélérométrie figés et réutilisables comme substrat phénome-large est séduisante et probablement appelée à se répandre. La prochaine étape obligée est la validation sur des appareils grand public et des cohortes non britanniques — sans quoi la généralisation reste une hypothèse. La signature prodromale de Parkinson, elle, mérite d'être testée en prospectif : comme outil d'enrichissement d'essais cliniques (repérer des populations à haut risque pour tester des neuroprotecteurs), pas comme test individuel.
Pour les cliniciens, rien ne change aujourd'hui. Aucune montre ne « détecte le Parkinson » sur ces bases ; ce qui est montré, c'est qu'une semaine de mouvement contient un signal statistique de risque, à l'échelle d'une population très particulière. La distinction population/individu est ici tout sauf académique.
Pour les patients et le grand public, deux messages. Le premier : une part de ce que votre poignet « sait » de votre santé future est simplement votre forme physique générale, âge et corpulence compris. Le second : une AUROC impressionnante sur une maladie rare n'autorise aucune alarme individuelle — sur 10 % de personnes signalées, la quasi-totalité ne développera pas la maladie.
Pour aller plus loin
Le préprint « Dual foundation models for accelerometry predict future health » est disponible sur medRxiv (10.64898/2026.07.24.26358894), signé Marcus Dige, Niels R. Lorenzen, Magnus Ruud Kjær, Angus Burns, Poul Jennum, Emmanuel H. During, James Zou, Emmanuel Mignot et Andreas Brink-Kjaer (Stanford Sleep Medicine et Biomedical Data Science ; Technical University of Denmark ; Rigshospitalet ; Icahn School of Medicine at Mount Sinai ; Harvard Medical School). Étude conduite sous l'UK Biobank Application 62249, approbation éthique du NHS North West Multi-centre Research Ethics Committee ; aucun conflit d'intérêts déclaré ; licence CC BY-NC-ND 4.0. Données et poids non partageables (politique UK Biobank), code annoncé pour la publication. Sur les foundation models médicaux, l'auto-supervision et la prédiction de risque, voir nos décryptages sur la convergence représentationnelle des foundation models médicaux, sur l'erreur de reconstruction d'un autoencodeur masqué comme prédicteur de mortalité, et sur la prédiction génétique de la maladie de Parkinson.
Transparence éditoriale : version française rédigée et signée par la rédaction de Tatakoto à partir de la lecture du préprint. Les valeurs de concordance en test sur la maladie de Parkinson reposent sur un très petit nombre de cas (25) ; l'AUROC à cinq ans de 0,90 provient de l'analyse out-of-fold sur l'ensemble de la cohorte (428 cas). Traductions anglaise, espagnole et chinoise produites avec assistance IA et relues.