Les capteurs de glucose en continu (CGM) ne sont plus de simples dispositifs destinés au diabète. Ils deviennent des flux de données de santé que les systèmes d’IA peuvent analyser à la recherche de tendances, de prévisions et de signaux de risque.
Ce changement fait déjà entrer les données des CGM dans les applications de bien-être grand public, les essais cliniques et les technologies de santé pour les entreprises. Les données les plus solides étayent les prévisions de glycémie à court terme ; les allégations plus larges concernant le diagnostic de l’état de santé ou le profilage des utilisateurs à partir des tendances glycémiques nécessitent encore une validation plus rigoureuse.
Le marché grand public s’est élargi après que la FDA a autorisé Stelo de Dexcom en mars 2024, le premier CGM en vente libre destiné aux adultes de 18 ans et plus qui n’utilisent pas d’insuline. Stelo ne convient pas aux personnes sujettes à des hypoglycémies problématiques, car il ne fournit pas d’alertes de glycémie basse.
Dexcom a ajouté une couche d’IA plus tard cette année-là, indiquant en décembre 2024 que sa plateforme GenAI utiliserait Vertex AI et les modèles Gemini de Google Cloud pour personnaliser les informations hebdomadaires de Stelo à partir des données de glycémie, d’activité et de sommeil.
Des relevés de glycémie aux prévisions de l’IA
Un test clinique de glycémie mesure une valeur à un instant donné. Un CGM recueille une série temporelle : la façon dont la glycémie augmente après les repas, baisse après une activité physique, évolue pendant la nuit ou varie après une mauvaise nuit de sommeil. Cette structure rend les données des CGM utiles aux modèles séquentiels, notamment aux systèmes LSTM et aux transformeurs utilisés dans la recherche sur la prévision de la glycémie, mais la fiabilité du modèle dépend entièrement de la chaîne de données qui l’alimente.
Ces modèles peuvent exploiter les relevés antérieurs, la vitesse d’évolution, les repas, l’activité, le sommeil et le contexte médicamenteux pour prévoir les variations de glycémie, notamment les hypoglycémies dangereuses.
En janvier 2026, un article de Nature a présenté GluFormer, un modèle de fondation entraîné sur plus de 10 millions de mesures de glycémie provenant de 10 812 adultes et testé sur 19 cohortes externes. L’étude a constaté que les tendances enregistrées par les CGM pouvaient améliorer certaines prévisions du risque métabolique, mais il s’agit toujours de données issues de la recherche, et non d’une allégation de diagnostic destinée aux consommateurs.
Les limites des déductions fondées sur la glycémie
Les données des CGM ne sont pas équivalentes à une mesure directe de la glycémie sanguine. Les CGM mesurent le glucose du liquide interstitiel — le glucose présent dans le liquide entre les cellules —, qui suit généralement la glycémie sanguine, mais peut présenter un décalage ou des variations susceptibles d’influencer les prévisions.
Les allégations liées aux produits doivent tenir compte de cette réserve. Un modèle qui fonctionne sur des données de recherche propres peut se comporter différemment en présence de bruit des capteurs, d’un port irrégulier, de journaux de repas incomplets ou de populations sous-représentées. Dans l’IA appliquée aux CGM, comme dans les autres projets d’IA d’entreprise, un problème de chaîne de données peut ressembler à un problème de modèle.
Les appareils portables grand public nécessitent une précaution distincte. La FDA a mis en garde en 2024 contre les montres et bagues connectées qui prétendent mesurer le glucose sans percer la peau. Les applications de montre connectée peuvent tout de même afficher les relevés de CGM autorisés, mais la montre ne mesure pas elle-même le glucose.
Les risques liés à la gouvernance dépassent la seule précision clinique. Les données des CGM peuvent révéler des tendances liées à l’alimentation, au sommeil, au stress, à l’activité et à la prise de médicaments. Aux États-Unis, la FTC indique que de nombreuses applications de santé et entreprises proposant des appareils connectés ne sont pas couvertes par la HIPAA, même si d’autres règles de protection des consommateurs peuvent toujours s’appliquer.
Les autorités de réglementation officialisent également les données des CGM en tant qu’éléments probants pour les essais. En mai 2026, la FDA a publié des recommandations sur les spécifications techniques à respecter pour soumettre les données de CGM issues d’essais cliniques à l’appui de demandes d’autorisation de mise sur le marché de médicaments et de produits biologiques.
Les acheteurs du secteur doivent se demander si le modèle a été validé sur des données en conditions réelles, si les résultats sont cliniques plutôt que limités au modèle, comment les données sont conservées ou utilisées pour l’entraînement, et si le produit formule des allégations de bien-être, d’aide à la décision ou des allégations médicales réglementées. Les systèmes d’IA présentant un risque plus élevé ont également besoin de contrôles pour la surveillance, l’accès, l’auditabilité et l’arrêt.
Les données des CGM deviennent lisibles par les machines, mais l’argument le plus solide reste limité. Les prévisions sont crédibles ; le profilage plus large de la santé nécessite encore une validation plus rigoureuse, des données représentatives et une gouvernance capable de suivre le rythme.
À lire aussi : les systèmes d’IA quittent les tableaux de bord pour investir les environnements physiques, où les limites en matière de sécurité, de supervision et de déploiement deviennent plus difficiles à ignorer.