English
Dispositifs connectés et intelligence artificielle embarquée pour le suivi ambulatoire des patients
- Dr Jérôme Thevenot
- Calcul en périphérie (edge computing) et confidentialité des données patient
- Optimisation énergétique par échantillonnage adaptatif sur seuil
- Apprentissage fédéré et personnalisation des modèles par patient
- Acquisition multimodale et synchronisation des capteurs
- Suivi ambulatoire de l’arthrose, de l’épilepsie et de la toux chronique
- Suivi embarqué par dispositifs portables (wearables)
- Modélisation par apprentissage automatique et accélérateurs matériels
- Monitoring ambulatoire multisensoriel au long cours
- Préférer l’analyse en périphérie pour préserver la confidentialité du patient
- Spécialiser le modèle à une application, sans généralisation indue
- Exiger des sorties interprétables, jamais une simple boîte noire
- Considérer le suivi ambulatoire prolongé comme complément de la consultation
Brochure d'information médicale
Découvrez notre brochure d’information à destination des patients.
Dr Jérôme Thevenot, congrès Medicol, 2025
La montée en puissance des dispositifs connectés porteurs d’intelligence artificielle déplace une partie du raisonnement diagnostique vers le capteur lui-même, au plus près du signal acquis. Cette communication détaille le passage de l’analyse centralisée sur le cloud à l’analyse en périphérie, dite « edge », et ses conséquences en termes de confidentialité, d’autonomie énergétique et de pertinence du signal recueilli. L’exposé illustre cette logique par des applications développées à l’École polytechnique fédérale de Lausanne (EPFL) : le suivi de l’arythmie par électrocardiogramme, la détection des crises d’épilepsie, ainsi que le monitoring de l’arthrose et de la toux chronique. Pour le confrère, l’enjeu est de comprendre ce que ces outils mesurent réellement, leurs limites d’interprétation, et la place qu’ils pourraient occuper dans un suivi ambulatoire prolongé.
Du cloud à la périphérie : un déplacement du calcul vers le capteur
Le suivi médical par dispositifs connectés repose de plus en plus sur l’intelligence artificielle et l’apprentissage automatique embarqués directement dans l’appareil, pour la classification de symptômes ou la détection d’événements spécifiques. Le modèle conventionnel transmet les données acquises vers le cloud, où l’analyse est conduite avant retour du résultat. Cette architecture centralisée expose à des délais de transmission, à un trafic permanent de données et, surtout, à un risque pour la confidentialité du patient, puisque l’information clinique quitte le dispositif. À ces contraintes s’ajoute l’alourdissement constant des modèles, qui exigent davantage de calcul et d’extraction de paramètres à assembler pour aboutir à une conclusion.
La solution proposée consiste à porter le calcul en périphérie, c’est-à-dire à l’intérieur même du système embarqué, au niveau de l’acquisition. Les données restent alors locales, ce qui réduit les délais, allège le trafic et limite l’exposition de la vie privée. Cette approche impose en contrepartie des dispositifs dotés de mémoire suffisante, capables de soutenir ces calculs, et d’une batterie compatible avec un usage prolongé. Elle suppose donc une co-conception du logiciel et du matériel, où l’on réduit le nombre de calculs, on sélectionne les paramètres réellement utiles au modèle, et on adapte le support matériel à l’application visée.
Spécialiser le modèle : pas de système universel en médecine
Un principe structurant traverse l’exposé : on ne peut pas généraliser un même système à l’ensemble des applications médicales. Chaque usage clinique appelle un modèle propre, entraîné sur la donnée pertinente et calibré pour la question posée. L’analogie retenue est celle du fonctionnement neuronal : un ensemble d’unités majoritairement inactives, qui ne s’enclenchent qu’à la survenue d’un événement, stockent puis analysent la donnée, et restent spécifiques au besoin du modèle. Cette spécialisation conditionne à la fois la précision diagnostique et la sobriété énergétique du dispositif.
Plusieurs architectures de déploiement coexistent. Une première option rassemble les signaux de plusieurs capteurs portés par le patient sur une unité de collecte unique, qui les analyse pour produire le résultat. Une seconde fait communiquer entre eux des capteurs distribués jusqu’à converger vers une solution. Demeure le problème des signaux inconnus, que le modèle n’a pas appris à reconnaître et qui imposent malgré tout une réponse : ces cas peuvent nécessiter un recours au cloud, à condition de préserver la confidentialité lors du transfert. Le médecin référent retiendra qu’un tel dispositif n’a de valeur que dans le périmètre clinique pour lequel il a été conçu.
Échantillonnage adaptatif : enregistrer seulement ce qui compte
L’autonomie énergétique repose sur une idée simple : n’enregistrer que la donnée pertinente pour le modèle, au lieu d’acquérir en continu à fréquence maximale. L’exemple de l’électrocardiogramme l’illustre clairement. Le signal contient des composantes de fréquences variées, mais l’information diagnostique utile, ici pour la détection de l’arythmie, se concentre dans les hautes fréquences ; les basses fréquences sont moins déterminantes pour le suivi. Il devient alors logique de moduler la fréquence d’échantillonnage au cours même de l’acquisition, en la réduisant sur les segments peu informatifs et en la rehaussant là où le signal porte l’information.
La mécanique repose sur des niveaux de seuil établis au préalable, qui dictent quand intensifier ou alléger l’enregistrement. Appliquée à un électrocardiogramme par une spin-off de l’EPFL pour la détection de l’arythmie, la méthode abaisse d’abord la fréquence d’échantillonnage d’environ un ordre de grandeur, puis la réduit davantage sur les portions sans événement. Dès qu’un seuil correspondant à un potentiel événement anormal est franchi, la fréquence remonte pour capturer l’information la plus utile au clinicien, avant de redescendre une fois la zone anormale dépassée. Il en résulte une perte de données assumée, dont le juste milieu vise la moindre consommation pour la plus haute précision diagnostique conservée.
Apprentissage fédéré et suivi de l'épilepsie en ambulatoire
La préservation de la vie privée structure aussi le choix de la méthode d’apprentissage. Dans l’approche centralisée, toutes les données sont envoyées au cloud, qui crée les modèles puis les renvoie aux dispositifs. L’apprentissage fédéré inverse cette logique : chaque appareil héberge son propre modèle et ne transmet au serveur que les paramètres de celui-ci, jamais les données elles-mêmes. Le serveur combine ces paramètres pour améliorer un modèle global, qu’il redistribue ensuite aux dispositifs afin d’accroître leur précision. Le modèle s’affine ainsi dans le temps sans aucun transfert de donnée clinique brute.
Le suivi de l’épilepsie illustre cette architecture. Aux casques d’électroencéphalographie (EEG), encombrants et stigmatisants, l’EPFL substitue des dispositifs portables plus discrets, à moindre nombre de canaux, mais autorisant un suivi prolongé. Le prototype intègre des électrodes sèches dans une monture de lunettes, ramenées à trois canaux, évitant tout liquide conducteur entre l’électrode et le scalp ; des accéléromètres surveillent les mouvements de la tête pour repérer les artefacts susceptibles d’altérer le signal. Une variante proche d’un casque audio est proposée aux patients déjà porteurs de lunettes. Chaque dispositif apprend sur la donnée propre à son patient, partage ses paramètres avec un serveur qui consolide un modèle global, et bénéficie en retour d’une détection des crises progressivement plus fiable.
Acquisition multimodale : combiner les capteurs pour un modèle global
La plupart des travaux du laboratoire reposent sur une acquisition multimodale : non pas un capteur unique, mais plusieurs capteurs différents combinés pour bâtir le meilleur modèle possible. La plateforme développée à cette fin permet d’agréger autant de capteurs que nécessaire en garantissant une donnée synchronisée, et d’adapter le prototype aux besoins de l’application. Le dispositif peut se porter sur n’importe quelle partie du corps, au poignet comme une montre, autour du cou ou sur le thorax, et associer selon le cas électroencéphalographie, électrocardiographie, activité électrodermale ou capteurs de mouvement. Le matériel, biocompatible, est conçu pour les essais cliniques.
L’application au suivi de l’arthrose en donne l’exemple le plus parlant. Un dispositif portable combine des capteurs audio, thermiques et de mouvement, chacun apportant une information distincte : l’audio renseigne sur l’état du cartilage par la mesure du crépitement, les capteurs de mouvement détectent les anomalies de la marche et renseignent sur l’amplitude articulaire (range of motion), la mesure thermique se rapporte à l’inflammation. Chaque modalité est extraite puis intégrée dans un modèle global. La difficulté centrale, soulignée par l’auteur, tient à l’interprétabilité : il faut associer un angle de flexion ou d’extension à des bruits articulaires localisables, et non se contenter d’une boîte noire, afin que le clinicien dispose d’une information exploitable sur la localisation de l’atteinte.
Déclenchement événementiel : l'exemple de la toux chronique
Le suivi de la toux chronique applique le même principe d’enregistrement sélectif, ici au service direct de la confidentialité. Plutôt que de capter en continu l’audio environnant pour y détecter les épisodes de toux, le dispositif, porté au niveau du thorax, utilise un capteur cinématique comme déclencheur. Lorsqu’une excursion thoracique évoquant une quinte est repérée, l’audio s’enclenche brièvement et vérifie s’il s’agit réellement d’une toux ou d’un simple artefact ; dans le cas contraire, l’enregistrement s’interrompt et la surveillance cinématique reprend. Seul l’événement confirmé est conservé, ce qui restreint drastiquement la captation sonore.
Cette approche présente un double avantage clinique. D’une part, elle protège la vie privée en n’enregistrant que la toux, et non l’environnement sonore ; d’autre part, le portage du capteur sur le patient garantit que la donnée recueillie correspond bien à la toux de l’intéressé, et non à celle d’un tiers. Un prototype a fait l’objet de premiers essais en laboratoire, puis d’une demande d’autorisation éthique en partenariat avec le Centre hospitalier universitaire vaudois (CHUV) pour un suivi ambulatoire. Les perspectives incluent la classification de différents types de toux, sèche ou associée à des pathologies telles que la tuberculose, élargissant l’intérêt diagnostique de la méthode.
Type de vidéo
Congrès Medicol
Thème de l'évènement
Nouvelles technologies - étude du mouvement - problèmes de dos
Intervenants
Partie du corps
Maladies
Année
2025
Chirurgie:
Pathologie:
Tendinites; Douleurs chroniques; Troubles liés au matériel
Thèmatique:
Prévention des blessures
Besoin d'un avis médical?
Les médecins du Centre Orthopédique d'Ouchy sont à votre disposition
En savoir plus en vidéos
Playlist
0:16
En savoir plus en vidéos
Playlist
0:16
Vous pourriez aimer aussi
Cette vidéo explique à quoi sert un robot au bloc opératoire lors d’une chirurgie du genou. Le robot ne remplace pas le chirurgien : il aide à…
