Une intelligence artificielle développée à Stanford prédit 130 maladies à partir d'une seule nuit d'enregistrement du sommeil, avec un indice de concordance (C-index) d'au moins 0,75 pour chacune, un seuil statistiquement significatif après correction de Bonferroni. L'étude, publiée le 6 janvier 2026 dans Nature Medicine, s'appuie sur 585 000 heures de polysomnographie (PSG) collectées auprès de près de 65 000 participants. Le modèle, baptisé SleepFM, atteint un C-index de 0,84 pour la mortalité toutes causes, de 0,85 pour la démence, de 0,89 pour la maladie de Parkinson et de 0,90 pour les cancers de la prostate et du sein. Ces performances reposent sur une combinaison de signaux cérébraux, cardiaques, musculaires et respiratoires qu'aucun matelas connecté ni bracelet grand public ne capte aujourd'hui : c'est précisément l'écart qui mérite d'être mesuré.
Cette performance concerne une population de patients déjà orientés vers des cliniques du sommeil aux États-Unis, pas un échantillon représentatif de la population générale, et aucune donnée française n'entre dans l'entraînement ou la validation du modèle. Ce sont des limites que les auteurs eux-mêmes énoncent dans leur publication, pas une réserve de prudence ajoutée après coup.
Une nuit de sommeil, 130 maladies détectées
SleepFM a été entraîné sur quatre cohortes américaines : la clinique du sommeil de Stanford (35 052 études, participants de 1 à 100 ans), les laboratoires du sommeil du groupe BioSerenity aux États-Unis (18 900 études, 7 à 90 ans), et deux cohortes de personnes âgées, la Multi-Ethnic Study of Atherosclerosis (2 237 PSG) et la Outcomes of Sleep Disorders in Older Men Study (3 930 PSG). Sur un ensemble de test indépendant de 5 019 participants, le modèle prédit 130 pathologies futures avec un C-index d'au moins 0,75, parmi lesquelles l'infarctus du myocarde (0,81), l'insuffisance cardiaque (0,80), la maladie rénale chronique (0,79), l'AVC (0,78) et la fibrillation auriculaire (0,78). Pour la maladie d'Alzheimer, le score grimpe à 0,91 ; pour l'hypertension artérielle avec atteinte cardiaque, à 0,88. Le modèle a ensuite été validé sur une cohorte totalement exclue de son entraînement, la Sleep Heart Health Study (2 000 participants), avec un C-index de 0,85 pour l'insuffisance cardiaque congestive et de 0,88 pour la mortalité cardiovasculaire.
Quatre signaux qu'aucun tracker grand public ne capte
La polysomnographie clinique enregistre simultanément l'activité cérébrale (EEG et mouvements oculaires), l'activité cardiaque (ECG), l'activité musculaire (EMG) et les flux respiratoires. Selon Stanford Medicine, le chercheur Emmanuel Mignot résume l'ampleur du signal exploité : « We record an amazing number of signals when we study sleep » (nous enregistrons un nombre étonnant de signaux quand nous étudions le sommeil). Les auteurs précisent que les signaux cérébraux se révèlent les plus informatifs pour les troubles neurologiques et mentaux, les signaux respiratoires pour les pathologies métaboliques, et l'ECG pour les maladies circulatoires, mais que la performance maximale n'est atteinte qu'en combinant l'ensemble de ces modalités.
Un matelas connecté ou un bracelet d'activité grand public repose généralement sur l'accélérométrie, parfois complétée d'un capteur optique de fréquence cardiaque. Aucun de ces objets ne mesure l'activité électrique cérébrale, le tonus musculaire ou la ventilation détaillée : la richesse physiologique qui permet à SleepFM d'atteindre ce niveau de précision reste, pour l'instant, l'apanage d'un laboratoire du sommeil équipé pour l'enregistrement clinique.
Qui a été étudié, et qui ne l'a pas été
Les auteurs le formulent sans détour dans leur discussion : leur cohorte n'est pas représentative de la population générale, car elle est composée de personnes déjà orientées vers un centre du sommeil pour un trouble suspecté, tandis que les personnes sans plainte ou avec un accès limité à ces cliniques spécialisées sont sous-représentées. Les quatre cohortes d'entraînement, ainsi que la cohorte de validation externe, sont exclusivement américaines : aucune donnée française, ni même européenne à grande échelle, n'a servi à construire ou tester le modèle. C'est un angle mort à noter pour un marché où le sommeil est déjà scruté de près, celui des acheteurs de literie et d'objets connectés en France, qui ne dispose d'aucune validation locale de ce type d'outil.
Des performances qui déclinent avec le temps, et une IA qui n'explique pas ses choix
Testé sur des patients suivis à partir de 2020, alors que l'entraînement s'arrête avant cette date, le modèle conserve une performance robuste mais légèrement inférieure : un C-index de 0,83 pour la mortalité contre 0,84 sur l'ensemble de test principal, de 0,83 pour la démence contre 0,85. Les auteurs parlent eux-mêmes d'une « certaine dégradation » de la précision au fil du temps. Ils reconnaissent aussi que l'interprétation des prédictions reste difficile : le modèle indique un risque élevé sans détailler en langage clair les caractéristiques du sommeil qui l'ont motivé. Sur la cohorte de validation externe SHHS, seules six pathologies cardiovasculaires ont pu être évaluées faute de chevauchement diagnostique suffisant avec les données d'entraînement, et sur certains jeux de test externes de classification du sommeil, SleepFM reste en retrait par rapport à des modèles spécialisés.
Ce que cela change, et ne change pas encore, pour le marché du sommeil connecté
Les auteurs eux-mêmes situent la suite dans les progrès des technologies portables : à mesure qu'elles gagneront en capacité de captation, des modèles comme SleepFM pourraient un jour permettre un suivi de santé non invasif en temps réel. Ce jour n'est pas encore arrivé. Aucun produit commercial, matelas, bracelet ou application de suivi du sommeil, n'intègre aujourd'hui ce type de modèle ni ne capte les signaux nécessaires à son fonctionnement. Pour un lecteur qui envisage l'achat d'un matelas ou d'un tracker « intelligent », l'enseignement concret de cette étude n'est donc pas d'attendre une prédiction de maladie de son prochain achat de literie, mais de resituer ce que ces objets mesurent réellement (mouvement, parfois rythme cardiaque) face à ce qu'exige une prédiction clinique de ce calibre.
Ce qu'il faut retenir
SleepFM prédit 130 maladies avec un C-index d'au moins 0,75 à partir d'une seule nuit de polysomnographie clinique complète, une performance validée par les pairs et publiée dans Nature Medicine.
Cette précision repose sur quatre types de signaux physiologiques combinés (cérébral, cardiaque, musculaire, respiratoire) qu'aucun objet connecté grand public ne capte à ce jour.
La cohorte étudiée est exclusivement américaine et composée de patients déjà orientés vers des cliniques du sommeil : aucune validation sur une population française n'existe à ce stade, ce qui reste un angle mort à surveiller pour ce marché.
Le modèle perd un peu de précision avec le temps et reste difficile à interpréter, deux limites que ses propres auteurs documentent.
Sources
Thapa, R., Kjaer, M. R., He, B. et al., « A multimodal sleep foundation model for disease prediction », Nature Medicine, volume 32, pages 752 à 762, publié le 6 janvier 2026. Étude évaluée par les pairs, 585 000 heures de PSG, environ 65 000 participants, cohortes américaines (Stanford Sleep Clinic, BioSerenity, MESA, MrOS, validation externe SHHS). Lire l'étude
Stanford Medicine, « New AI model predicts disease risk while you sleep », communiqué de presse du 6 janvier 2026, avec citations d'Emmanuel Mignot et James Zou. Lire le communiqué