Départ 23/11Cohorte 3 en direct Vibe Coding & Agents IA : 3 semaines, 9 sessions liveCohorte 3 (23/11) →
SortieAnalyse · Sur le radarHabr AI→ original

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

Claude peut devenir un analyste santé personnel à condition de lui donner accès à Notion, à Oura et aux données de nutrition et de poids. L'auteur a monté un système dans lequel l'IA voit en temps réel le sommeil, le pouls, les analyses de sang, les médicaments et les entraînements. Le modèle répond ensuite à des questions concrètes : comment le manque de sommeil influe sur le pouls, si l'alimentation suffit à couvrir la charge d'entraînement, et quels schémas restent invisibles à l'œil nu.

Traité par IA depuis Habr AI ; édité par Hamidun News
Claude transformé en analyste médical personnel, avec accès au sommeil et aux analyses
Source : Habr AI. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireHabr AI ↗
Rédacteur en chef
Chiffre clé #1Lien entre la durée du sommeil et le pouls au repos le lendemain
Chiffre clé #2Adéquation de l'alimentation au volume d'entraînement et à la récupération
Chiffre clé #3Évolution du poids et de la composition corporelle en regard de l'activité et de l'alimentation

Claude peut passer du statut de simple chatbot à celui d'analyste santé personnel, à condition d'y brancher biométrie, alimentation, poids et documents médicaux. L'auteur de l'expérience a construit ce dispositif sur Claude Integrations et montre comment le modèle commence à repérer, quasiment en temps réel, les liens entre sommeil, pouls, alimentation et analyses de sang.

Comment le dispositif est construit

Au centre du système, Claude reçoit des données issues non pas d'une seule application, mais de plusieurs sources à la fois. L'Oura Ring fournit le sommeil, le pouls au repos, la HRV et l'activité. L'alimentation arrive via FoodTrack, un bot Telegram auquel il suffit d'envoyer une photo d'un plat pour obtenir calories, protéines, lipides et glucides. Le poids et la composition corporelle proviennent d'une balance Xiaomi, via la chaîne Zepp Life, Apple Health et Health2Notion.

Notion constitue une couche à part : on y range les analyses, les consultations médicales, les traitements et l'historique. Le modèle ne dispose donc plus d'un ensemble de notes éparses, mais d'une carte numérique unifiée de l'état de la personne. Claude peut confronter les signaux « bruts » des objets connectés à des événements médicaux plus rares mais importants : résultats de laboratoire, variations de poids, prescriptions et notes manuelles.

C'est là que réside l'essentiel de la valeur : l'IA ne se contente plus de répondre à des questions isolées, elle cherche aussi des corrélations entre plusieurs flux de données, difficiles à repérer à la main, même avec un journal tenu rigoureusement.

Comment tout a été connecté

Une partie du dispositif s'appuie sur les outils natifs. Notion figure déjà parmi les connecteurs standard de Claude : il suffit d'ouvrir l'accès aux pages contenant les données médicales. Pour Oura, en revanche, il a fallu passer par un projet open source hébergé sur GitHub : l'auteur l'a déployé sur son propre serveur, puis ajouté à Claude comme custom connector. FoodTrack suit la même logique : le bot renvoie une adresse MCP unique, que Claude utilise ensuite comme source de données supplémentaire.

L'auteur insiste par ailleurs sur le rôle du prompt système dans les Custom Instructions. Il y décrit brièvement le rôle de chaque connecteur : Oura pour les métriques au jour le jour, Notion pour l'historique et les documents, FoodTrack pour l'alimentation. Claude cesse alors de deviner où chercher et interroge directement la bonne source. Cette couche d'instructions semble anodine, mais en pratique elle améliore nettement la qualité de l'analyse et réduit les demandes de précision superflues.

Quels enseignements en tirer

Le plus intéressant ici 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 du genre « comment être en meilleure santé » : il l'utilise comme analyste de son propre corpus de données. Claude peut par exemple vérifier si le pouls au repos augmente après une nuit courte, si les apports en calories et en protéines couvrent la charge d'entraînement actuelle, ou comment les biomarqueurs ont évolué selon les traitements, le stress et le rythme de vie.

  • Lien entre la durée du sommeil et le pouls au repos le lendemain
  • Adéquation de l'alimentation au volume d'entraînement et à la récupération
  • Évolution du poids et de la composition corporelle en regard de l'activité et de l'alimentation
  • Variations des indicateurs biologiques selon les traitements et le mode de vie

Cette approche fait passer le LLM du statut de générateur de recommandations génériques à celui d'interface vers une chronologie médicale personnelle. L'article cite une réponse qui ne se résume pas à « dors davantage », mais met en évidence une relation précise : les jours de manque de sommeil, le pouls au repos du lendemain est systématiquement plus élevé. Ce n'est ni de la magie ni un diagnostic, mais un moyen pratique de tirer rapidement une hypothèse de ses propres données.

« Ce n'est pas un substitut au médecin, mais un outil qui aide à poser les bonnes questions. »

Ce que cela signifie

Cette expérience illustre bien la trajectoire des outils d'IA grand public : du chat généraliste vers des couches d'analyse personnelles, posées au-dessus de services disparates. Si l'utilisateur dispose de données de qualité et d'un schéma d'accès clair, le modèle peut devenir un assistant utile pour l'auto-analyse et la préparation d'une consultation. Mais le coût des erreurs, des atteintes à la vie privée et des interprétations erronées augmente d'autant : il est donc logique de considérer ces systèmes comme un second regard, et non comme un avis médical.

Dossier

Questions clés sur cet article

Comment le dispositif est construit?

Au centre du système, Claude reçoit des données issues non pas d'une seule application, mais de plusieurs sources à la fois. L'Oura Ring fournit le sommeil, le pouls au repos, la HRV et l'activité. L'alimentation arrive via FoodTrack, un bot Telegram auquel il suffit d'envoyer une photo d'un plat pour obtenir calories, protéines, lipides et glucides. Le poids et la composition corporelle proviennent d'une balance Xiaomi, via la chaîne Zepp Life, Apple Health et Health2Notion.

Comment tout a été connecté?

Une partie du dispositif s'appuie sur les outils natifs. Notion figure déjà parmi les connecteurs standard de Claude : il suffit d'ouvrir l'accès aux pages contenant les données médicales. Pour Oura, en revanche, il a fallu passer par un projet open source hébergé sur GitHub : l'auteur l'a déployé sur son propre serveur, puis ajouté à Claude comme custom connector. FoodTrack suit la même logique : le bot renvoie une adresse MCP unique, que Claude utilise ensuite comme source de données supplémentaire.

Que sait-on sur Quels enseignements en tirer ?

Le plus intéressant ici 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 du genre « comment être en meilleure santé » : il l'utilise comme analyste de son propre corpus de données.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…