Google Gemini : Une Nouvelle Frontier dans les Insights Personnels de Santé
Bien que Google Gemini n'ait que six mois, il a déjà démontré des capacités exceptionnelles en sécurité, codage et débogage, tout en mettant en lumière certaines limitations significatives. Aujourd'hui, ce modèle de langage avancé (LLM) dépasse des experts humains dans le domaine des conseils sur le sommeil et la forme physique.
Présentation du Modèle de Langage Personnel pour la Santé (PH-LLM)
Les chercheurs de Google ont dévoilé le Modèle de Langage Personnel pour la Santé (PH-LLM), une version spécialisée de Gemini, conçue pour interpréter et analyser les données de santé personnelles chronologiques issues de dispositifs connectés comme les montres intelligentes et les moniteurs de fréquence cardiaque. Dans des expériences comparatives, PH-LLM a systématiquement surpassé des professionnels chevronnés dans les domaines de la santé et du fitness.
« Notre travail élargit l'utilité du modèle au-delà de la prédiction de l'état de santé en générant des sorties cohérentes, contextuelles et potentiellement prescriptives basées sur des comportements de santé complexes », affirment les chercheurs.
Gemini comme Conseiller en Sommeil et Forme
La technologie portable fournit un flux continu de données pour le suivi de la santé, notamment des journaux d'exercice et de régime, des journaux d'humeur, et même une activité sur les réseaux sociaux. Cependant, les chercheurs notent que les précieuses informations concernant le sommeil, l'activité physique, la santé cardiométabolique, et le stress sont souvent sous-utilisées en milieu clinique, probablement en raison de problèmes d'analyse et de contexte.
Bien que les LLM aient excédé dans le domaine des réponses aux questions médicales, de l'analyse des dossiers de santé électroniques, et des évaluations psychiatriques, ils ont rencontré des difficultés à interpréter et à recommander des actions basées sur les données des dispositifs portables. La percée avec PH-LLM réside dans sa capacité à faire des recommandations et prédictions personnalisées concernant la qualité du sommeil et la forme physique.
Lors de tests, PH-LLM a obtenu des résultats impressionnants de 79 % dans les examens sur le sommeil et 88 % dans les évaluations de fitness, surpassant les scores moyens des entraîneurs professionnels et des experts en sommeil, qui ont respectivement obtenu 71 % et 76 %.
Démonstration de ses Capacités
Dans un exemple, lorsqu'il a été invité à analyser les données de sommeil d'un homme de 50 ans, PH-LLM a identifié des problèmes tels que la difficulté à s'endormir et a souligné l'importance du sommeil profond pour la récupération. Il a proposé des conseils pratiques : « Gardez votre chambre fraîche et sombre, évitez les siestes et maintenez un horaire de sommeil régulier. »
Interrogé sur les contractions musculaires lors d'un développé couché, PH-LLM a correctement identifié le type de contraction comme "excentrique". Dans un autre cas concernant des problèmes de sommeil autodéclarés basés sur des données portables, il a prédit avec précision des difficultés d'endormissement.
Les chercheurs ont conclu : « Ces résultats mettent en avant la vaste base de connaissances et les capacités des modèles Gemini, soulignant la nécessité d'un développement supplémentaire dans le domaine critique de la santé personnelle. »
Insights Personnalisés Basés sur les Données
Pour obtenir ces résultats, les chercheurs ont constitué trois ensembles de données afin d'évaluer les insights et recommandations personnalisés basés sur l'activité physique, les modèles de sommeil, et les réponses physiologiques. Ils ont développé 857 études de cas (507 liées au sommeil et 350 au fitness) en collaboration avec des experts du secteur. Chaque étude de cas intégrait des données de capteurs portables sur des périodes prolongées, des informations démographiques, et des interprétations d'experts.
Ces études ont examiné divers indicateurs, y compris les scores globaux de sommeil, les fréquences cardiaques, les durées de sommeil, et les niveaux d'activité, conduisant à des recommandations personnalisées pour améliorer l'hygiène du sommeil et la forme physique.
« Notre étude démontre que PH-LLM peut intégrer efficacement des données collectées passivement par des dispositifs portables en insights et suggestions sur mesure pour améliorer les résultats de santé », notent les chercheurs.
Défis à Venir pour les Applications de Santé Personnelle
Néanmoins, les chercheurs ont reconnu que PH-LLM est encore à ses débuts et nécessite des refinements supplémentaires. Certaines réponses générées par le modèle manquaient de cohérence, et des confabulations étaient présentes dans diverses études de cas. Le modèle a parfois négligé des aspects cruciaux du sommeil et de la forme physique, indiquant que l’échantillon de formation pourrait ne pas représenter entièrement les préoccupations de santé de la population générale.
« Nous soulignons qu'un travail considérable reste à faire pour garantir que les LLMs sont fiables, sûrs et équitables dans les applications de santé personnelle », ont écrit les chercheurs. Cela inclut la minimisation des confabulations, l'addressage des circonstances de santé uniques, et l'assurance d'une diversité des données de formation.
Dans l’ensemble, les chercheurs affirment : « Cette étude marque une étape importante vers la création de LLM qui offrent des informations et des recommandations personnalisées, donnant aux individus les moyens d'atteindre plus efficacement leurs objectifs de santé. »
Classement
