Google Research dévoile SensorFM, un modèle pour 35 tâches de prédiction de santé

Le 10 juillet 2026, Google Research a présenté SensorFM, un modèle de fondation qui prédit des résultats de santé à partir des données d'objets connectés portés au poignet. Il a été entraîné sur 1 000 milliards de minutes (plus de 2 milliards d'heures) de données de capteurs de 5 millions de volontaires et se transfère à 35 tâches de pronostic médical.

Qu'est-ce que SensorFM

SensorFM (Large Sensor Foundation Model) est un transformeur de fondation spécialisé dans l'analyse de séries temporelles issues d'objets connectés. Il traite 34 variables agrégées à la minute, provenant de cinq capteurs : PPG (rythme cardiaque), accéléromètre, activité électrodermale, température cutanée et altimètre. Les variables sont réparties en sept catégories, avec une fenêtre de contexte de 24 heures.

Il repose sur un encodeur ViT-1D (Vision Transformer unidimensionnel) entraîné par autoencodeur masqué. Le modèle est proposé en quatre tailles, de XXS (138K paramètres) à B (110M paramètres).

• Architecture : ViT-1D avec autoencodeur masqué
• Données d'entrée : 34 variables issues de 5 capteurs (PPG, accéléromètre, EDA, température, altimètre)
• Fenêtre de contexte : 24 heures
• Quatre variantes : XXS, XS, S, B (de 138K à 110M paramètres)
• Tâches cibles : prédiction de 35 résultats de santé

Sur quelles données il a été entraîné

L'entraînement a utilisé les données de 5 millions de volontaires, collectées entre septembre 2024 et septembre 2025. Le jeu de données couvre plus de 100 pays, les 50 États américains et plus de 20 modèles de Fitbit et Pixel Watch. Le volume total dépasse 2 milliards d'heures, soit plus de 1 000 milliards de minutes.

Pour l'évaluation, l'équipe a utilisé des données distinctes de 13 985 sujets issus de trois études prospectives approuvées par un comité d'éthique. Elles couvrent trois domaines : le métabolisme, le système cardiovasculaire et la respiration.

Pourquoi c'est important

Les modèles de santé traditionnels sont construits pour un seul résultat à la fois. Avec 35 critères, cette approche devient inefficace : l'étiquetage coûte cher et l'annotation rétrospective est irréaliste. SensorFM applique le paradigme du modèle de fondation : il s'entraîne sur de grands volumes de données brutes non étiquetées, puis se transfère à 35 tâches précises. Cela réduit les coûts d'étiquetage et améliore la généralisation.

Les objets connectés (Fitbit, Apple Watch, Pixel Watch) constituent une source puissante de données médicales en conditions réelles. Les modèles de laboratoire fonctionnent rarement sur des appareils commerciaux. SensorFM a été entraîné précisément sur ces appareils, ce qui est crucial pour un déploiement clinique.

Ce que cela signifie

Les modèles de fondation montrent que l'échelle des données détermine la qualité et la polyvalence. SensorFM est le premier transformeur de fondation sérieux pour les capteurs de santé portés : une brique sur laquelle peuvent bâtir des start-up de télémédecine, des laboratoires pharmaceutiques et des cliniques. Mille milliards de minutes forment une référence presque inatteignable, que les concurrents auront du mal à dépasser sans accès à des écosystèmes de données comparables.