L’IA prédira les effets de la pollution sur la santé

Vue d’ensemble du pipeline de données AI-Respire et du flux de travail pour le développement de modèles. • Nazanin Zounemat Kermani et al.

La pollution atmosphérique est à l’origine de sept millions de morts prématurées par an dans le monde. Au Royaume-Uni, elle serait par exemple responsable de 28 000 à 36 000 décès chaque année. Ses effets touchent en priorité les voies respiratoires, mais ils s’étendent à l’ensemble du système cardiovasculaire. L’exposition chronique aux particules fines, à l’ozone ou au dioxyde d’azote peut aggraver des pathologies existantes comme l’asthme ou la bronchopneumopathie chronique obstructive (BPCO), voire en déclencher de nouvelles.

Une IA pour suivre et anticiper

Or, la sensibilité à la pollution varie considérablement d’un individu à l’autre. Certains seuils d’exposition peuvent provoquer des réponses inflammatoires marquées chez des sujets vulnérables, tandis que d’autres ne ressentent aucun effet. Cette variabilité rend difficile l’évaluation des risques à l’échelle individuelle, d’autant plus que l’exposition réelle dépend des micro-environnements fréquentés dans la journée.

L’équipe du projet AI-Respire, menée par le Data Science Institute de l’Imperial College London, a conçu une architecture complète pour prédire la réponse physiologique d’un individu à son exposition à la pollution. Leur système intègre plusieurs sources de données : mesures environnementales, informations météo, localisation GPS et données physiologiques, issues de montres connectées.

Ces flux sont collectés en temps réel par une application mobile baptisée BreathBot, qui interagit avec des capteurs personnels (Garmin, Fitbit, Apple Health), agrège les données et les transmet à une plateforme sécurisée. Celle-ci alimente un modèle d’apprentissage automatique chargé de détecter les effets de la pollution sur des indicateurs clés comme le rythme respiratoire ou cardiaque.

Un modèle hybride entraîné sur mesure

Le modèle au cœur du dispositif est un autoencodeur adversarial enrichi de couches convolutives et LSTM (long short-term memory network : un mécanisme de mémoire neuronale pour séquences). Ce type de modèle de deep learning est capable de reconstruire des signaux temporels complexes, tout en apprenant une représentation interne structurée des données.

Dans un premier temps, le modèle est pré-entraîné sur les données du projet Inhale, qui a suivi 59 participants équipés de capteurs en environnement urbain. Ce jeu de données comprend des mesures de pollution, des données d’activité physique et des paramètres respiratoires. Pour le présent article, les chercheurs ont utilisé un sous-ensemble de dix participants non asthmatiques, afin de valider l’approche.

De la population à l’individu

L’originalité du système repose sur l’usage de l’apprentissage par transfert. Une fois le modèle entraîné sur le jeu de données collectif, il est affiné à partir des données personnelles issues de la montre connectée d’un individu. Les couches initiales du réseau sont gelées, et seules les couches finales sont ajustées, afin de capturer les variations propres à chaque profil.

Ce mécanisme permet au modèle de conserver les structures générales apprises tout en s’adaptant aux signaux spécifiques d’un utilisateur. Dans les tests menés, le modèle ajusté a démontré une bonne capacité à reproduire les variations du rythme respiratoire et cardiaque.

Réponse à la pollution et simulations

Pour explorer la sensibilité aux variations de pollution, les chercheurs ont simulé des hausses de 20 %, 50 % et 100 % des niveaux de particules fines (NO₂, O₃ et CO). Avec une augmentation de 100 %, le modèle prédit une hausse moyenne de 3,5 % du rythme respiratoire et de 2,5 % de la fréquence cardiaque. Ces effets restent modestes, mais montrent que le système est capable de capter des effets non linéaires et différenciés.

Des réductions simulées de pollution, en revanche, n’ont pas généré de baisse significative des indicateurs mesurés, ce qui suggère que les effets physiologiques des pics de pollution sont plus marqués que ceux des baisses passagères. Pour améliorer la sensibilité du modèle, les chercheurs ont introduit des transformations polynomiales, élargissant le nombre de variables d’entrée de 29 à 462.

Données, sécurité et personnalisation

L’ensemble du pipeline repose sur une infrastructure cloud développée par l’Imperial College, avec un environnement d’analyse dédié, un entrepôt de données sécurisé et une interface web conforme aux normes cliniques du Clinical Data Interchange Standards Consortium (Cdisc). Les données sont chiffrées à chaque étape, anonymisées et traitées selon les standards européens de protection des données.

Le système est conçu pour permettre une mise à l’échelle. À terme, il pourrait intégrer des milliers d’utilisateurs, chacun contribuant par ses données à améliorer le modèle, et recevant en retour une estimation personnalisée de son risque en cas de pic de pollution. La plateforme pourrait aussi intégrer des alertes ou des recommandations en temps réel.

Des perspectives cliniques

Cette approche ouvre la voie à une médecine environnementale personnalisée, dans laquelle le risque sanitaire lié à la pollution serait évalué en fonction des caractéristiques individuelles et du contexte d’exposition. À plus long terme, les auteurs envisagent d’intégrer des indicateurs cliniques, des biomarqueurs ou des réponses immunitaires, afin de prédire non seulement les effets immédiats, mais aussi les risques à long terme.

Pour y parvenir, il faudra enrichir les bases de données, diversifier les profils étudiés (notamment en incluant des patients vulnérables), et introduire des mécanismes de quantification de l’incertitude. Mais les fondations sont posées. Grâce à l’IA, il devient envisageable de prédire et prévenir les effets de la pollution au plus proche de chacun.

Pour en savoir plus :

• Nazanin Zounemat Kermani et al., An AI-driven framework for the prediction of personalised health response to air pollution, Arxiv, 2025