Un dispositif IA portable détecte la fragilité en continu sans aucune interaction de l'utilisateur

Frailty syndrome augmente considérablement la mortalité et le risque de chutes chez les personnes âgées, pourtant le diagnostic actuel reste largement réactif — généralement déclenché seulement après une hospitalisation ou une chute. L'étalon-or clinique, le Fried Frailty Phenotype, repose en partie sur des auto-déclarations subjectives et nécessite un personnel formé ainsi qu'un équipement spécialisé, limitant l'évaluation aux contextes cliniques. La surveillance continue par dispositif portable ouvre la voie à une détection proactive de la fragilité en conditions réelles, mais les vastes ensembles de données générés et les besoins énergétiques liés à la transmission des biosignaux bruts ont historiquement rendu cette approche peu pratique.

Pour surmonter ces obstacles, l'équipe de recherche a développé le Biosymbiotic Edge AI Device (BEAD), qui intègre directement l'inférence par intelligence artificielle dans un dispositif portable conforme, imprimé en 3D, porté sur la jambe. L'appareil utilise une unité de mesure inertielle (IMU) pour capturer en continu les données de marche, isole chaque pas sur l'appareil lui-même et exécute un classifieur ML pour étiqueter chaque pas en temps réel comme sain ou pré-fragile. La récupération d'énergie sans fil à longue portée permet une recharge mains libres à distance — pendant le sommeil ou au bureau — de sorte que l'utilisateur n'a jamais besoin de retirer ou de gérer l'appareil. Le boîtier en maille TPU léger (hauteur maximale de 6 mm, 15 g avec batterie) est adapté à la peau, respirant et ajusté sur mesure, minimisant l'inconfort et les glissements lors d'un port prolongé.

Dans la première cohorte in vivo (N=16 ; 5 sujets sains, 7 pré-fragiles ayant complété les évaluations de marche), le BEAD a été comparé simultanément à un système clinique commercial de référence (BioSensics LEGSys). Pour l'ensemble des paramètres de marche évalués — durée du pas et de la foulée, variabilité et vélocité en phase oscillante intermédiaire — aucune différence statistiquement significative n'a été observée entre les deux systèmes. Les sujets pré-fragiles ont présenté les augmentations attendues de la variabilité de la foulée et les réductions de la vélocité en phase oscillante intermédiaire, conformément à la littérature existante. Les résultats des tests assis-debout et du Timed Up-and-Go ont également démontré une fidélité de niveau clinique. Une deuxième cohorte (N=14) a validé la stabilité du modèle et les performances d'inférence embarquée, tandis que des expériences de port continu sur dix jours ont confirmé un fonctionnement longitudinal autonome sans aucune intervention de l'utilisateur.

Le pipeline d'inférence embarquée a compressé le volume de données transmises de près de 99 % — en transmettant seulement 8 bytes par classification de pas horodatée, contre 436 bytes de données IMU brutes par pas — tout en réduisant la consommation électrique moyenne de 21 % par rapport à la diffusion de données brutes. Le modèle ML a atteint une précision supérieure à 90 % pour la classification des pas sains par rapport aux pas pré-fragiles, et a produit ses résultats en moins de 330 millisecondes entre le signal brut et la sortie d'inférence. Ces gains d'efficacité permettent plusieurs semaines de fonctionnement continu sur une petite batterie LiPo de 30 mAh, rendu possible grâce au système de recharge sans fil à longue portée.

Les implications sont considérables tant pour la gériatrie que pour la télémédecine. En déplaçant l'évaluation de la fragilité de la clinique vers l'environnement domestique — en capturant la marche habituelle sur des surfaces du quotidien sur de longues périodes — le BEAD répond à une limite fondamentale des tests de marche cliniques de courte durée, qui peuvent ne pas refléter le véritable statut ambulatoire du patient. Les tendances longitudinales de fragilité peuvent être transmises avec une bande passante minimale et intégrées dans les flux de travail de télémédecine, permettant potentiellement une intervention plus précoce durant la fenêtre pré-fragile, moment où les résultats sont les plus susceptibles d'être modifiés. Les principales réserves incluent la taille relativement restreinte et la spécificité des cohortes d'essai, le périmètre de classification binaire (sain vs. pré-fragile uniquement), ainsi que la nécessité d'études longitudinales plus larges et plus diversifiées pour confirmer la généralisabilité clinique.