Claude transformé en analyste médical personnel avec accès au sommeil et aux analyses

Claude peut être transformé d'un simple chatbot en un analyste de santé personnel en connectant des données biométriques, la nutrition, le poids et les documents médicaux. L'auteur de l'expérience a assemblé un tel système basé sur Claude Integrations et a démontré comment le modèle commence à voir les connexions entre le sommeil, la fréquence cardiaque, l'alimentation et les résultats d'analyse de sang presque en temps réel.

Comment le système est structuré

Au cœur du système se trouve Claude, qui reçoit des données non pas d'une seule application, mais de plusieurs sources simultanément. Pour le sommeil, la fréquence cardiaque au repos, la VFC et l'activité, une Oura Ring est utilisée. La nutrition provient du bot Telegram FoodTrack, où vous pouvez simplement envoyer une photo de nourriture et obtenir ses macronutriments.

Le poids et la composition corporelle sont extraits des balances Xiaomi via une chaîne de Zepp Life, Apple Health et Health2Notion. Notion fonctionne comme une couche séparée : les résultats de laboratoire, les consultations médicales, les médicaments et les enregistrements historiques y sont stockés. En conséquence, le modèle n'a pas seulement un ensemble dispersé de notes, mais une carte numérique unifiée de l'état de la personne.

Claude peut faire correspondre les signaux « bruts » des appareils portables avec des événements médicaux plus rares mais importants : résultats de laboratoire, changements de poids, prescriptions de médicaments et notes manuelles. C'est à ce niveau que la valeur principale émerge : l'IA commence à chercher non seulement des réponses à des questions individuelles, mais aussi des corrélations entre plusieurs flux de données qui seraient difficiles à remarquer manuellement, même avec un registre soigneux.

Comment c'était connecté

Partie du système est assemblée en utilisant des outils standard. Notion est déjà parmi les connecteurs standard de Claude, il suffit donc d'accorder l'accès aux pages nécessaires contenant les données médicales. Cependant, pour Oura, il a fallu passer par un projet open-source sur GitHub : l'auteur l'a déployé sur son propre serveur et l'a ajouté à Claude en tant que connecteur personnalisé.

FoodTrack est connecté en utilisant la même logique — le bot retourne une adresse MCP unique que Claude utilise ensuite comme source de données supplémentaire. L'auteur souligne séparément le rôle de l'invite système dans Custom Instructions. Il a brièvement décrit quel connecteur est responsable de quoi : Oura est nécessaire pour les métriques en temps réel, Notion — pour l'historique et les documents, FoodTrack — pour la nutrition.

Après cela, Claude cesse de deviner où trouver la réponse et accède immédiatement à la source nécessaire. Une telle couche d'instructions semble être un détail mineur, mais en pratique, elle améliore considérablement la qualité de l'analyse et réduit les clarifications inutiles.

Quelles conclusions fournit-il

L'aspect le plus intéressant de ce système n'est pas la connexion en elle-même, mais le type de questions qu'elle permet de poser. L'auteur ne demande pas au modèle des conseils abstraits comme « comment devenir plus sain », mais l'utilise plutôt comme un analyste sur son propre ensemble de données. Par exemple, Claude peut vérifier si la fréquence cardiaque au repos augmente après un sommeil court, si les calories et les protéines sont suffisantes pour la charge d'entraînement actuelle, ou comment les biomarqueurs dans les tests ont changé face aux médicaments, au stress et au mode de vie.

• Connexion entre la durée du sommeil et la fréquence cardiaque au repos le lendemain
• Adéquation de la nutrition pour le volume d'entraînement et la récupération
• Dynamique du poids et de la composition corporelle ainsi que l'activité et l'alimentation
• Changements dans les marqueurs de laboratoire face aux médicaments et au mode de vie

Une telle approche transforme un LLM d'un générateur de recommandations générales en une interface vers l'historique médical personnel. L'article fournit un exemple de réponse non dans l'esprit de « dormez davantage », mais avec une relation concrète : les jours d'insuffisance de sommeil, la fréquence cardiaque au repos le lendemain est systématiquement plus élevée. Ce n'est plus de la magie ou un diagnostic, mais un moyen pratique d'obtenir rapidement une hypothèse à partir de ses propres données.

«

Ce n'est pas un remplacement pour un médecin, mais un outil qui aide à poser les bonnes questions. »

Ce que cela signifie

Cette histoire illustre bien vers où se dirigent les outils d'IA grand public : du chat universel aux couches analytiques personnelles au-dessus de services fragmentés. Si un utilisateur dispose de données de qualité et d'un schéma d'accès clair, le modèle peut devenir un assistant utile dans l'auto-analyse et la préparation pour une visite chez le médecin. Cependant, avec cela vient une augmentation du coût des erreurs, de la vie privée et des interprétations erronées, il est donc judicieux de considérer ces systèmes comme un deuxième avis plutôt que comme une conclusion médicale.