J'ai fait ingurgiter 4 ans de mes données de santé à une IA, voici ce qu'elle m'a révélé
L'IA peut-elle nous aider à optimiser notre santé et diagnostiquer des problèmes latents ? OpenAI, Anthropic, Google… Les leaders du secteur en sont persuadés et développent peu à peu des intégrations directes pour analyser nos données de santé. Problème ? L'Europe, avec (à cause ?) ses nombreuses réglementations, freine l'implémentation de ces fonctionnalités. Il est toutefois possible de faire analyser en détail vos résultats médicaux par l'IA pour obtenir des insights sur les améliorations possibles à réaliser dans votre quotidien et détecter les éventuels problèmes de santé sous-jacents. Il faut toutefois accepter de transmettre ses données à des serveurs américains…
Le but de la manœuvre ? Analyser les données Apple Santé avec Claude
Mon but avec ce test est de faire analyser les données de santé stockées sur mon téléphone, un iPhone, par Claude d'Anthropic. Disposant d'une Apple Watch série 8 depuis décembre 2022, mon téléphone et ma montre ont accumulé plus de 1 180 jours de données environ. Des données précieuses qui incluent, grâce à ma montre connectée, une grande variété de métriques médicales : fréquence cardiaque, variabilité de la fréquence cardiaque, signes d'hypertension, fréquence respiratoire, taux d'oxygène dans le sang, durée de sommeil et phases précises, température au poignet… Sans compter le niveau d'activité, le nombre de pas, la stabilité de la marche et un grand nombre d'indicateurs en tous genres. L'écosystème iOS reste peu bavard sur l'interprétation de ces données et laisse l'utilisateur les interpréter librement.
Par esprit de curiosité et dans la volonté d'optimiser ma santé physique globale, j'ai décidé de faire analyser l'ensemble de ces données par Claude, l'une des IA les plus avancées en matière de santé. Le but étant d'obtenir des recommandations actionnables et un avis sur mon état de santé global et son évolution depuis trois ans. Apple Santé ne disposant pas d'une intégration native avec Claude, je dois exporter mes données de santé avant de les transmettre. Pour des raisons de pertinence et de praticité, je vais donner mes données non pas à Claude mais à Claude Code, qui pourra les découper et les analyser plus aisément avec les nombreux outils à sa disposition (oui, Claude Code n'est pas réservé au code). Il aurait également été possible d'utiliser Claude Cowork, mais l'interface est plus lourde à utiliser.
Je demande alors à Claude d'analyser mes données de santé et de produire un rapport au format Word avec mon état de santé global selon mes données, mes tendances sous-jacentes depuis trois ans, et enfin des conseils pratiques et rapidement actionnables pour améliorer mon état général.
L’export depuis Apple Santé
Apple propose une seule manière d'exporter les données de santé. Il suffit de se rendre dans votre profil Apple Santé (sur votre photo en haut à droite) et de faire défiler les options jusqu'à trouver "Exporter toutes les données Santé". L'application va alors prendre quelques minutes pour compiler l'ensemble de vos données de santé dans une archive zip nommée "export". Une fois transférée sur un ordinateur, il faut décompresser l'archive dans un dossier. Les principales données de santé sont situées dans le fichier "export.xml".
Utiliser Claude Code comme un assistant médical
Une fois les données exportées, j'ouvre Claude Code dans le terminal, dans le dossier décompressé. Je passe ensuite l'IA en mode plan pour qu'elle planifie avant d'agir. L'IA va ainsi utiliser ses capacités pour “réfléchir” aux outils et méthodes à utiliser pour analyser mes données de santé et produire son rapport. Je fournis un prompt assez précis qui délimite le cadre d'action et énumère quelques méthodes possibles pour l'analyse (le machine learning est assez pertinent pour ces données, environ 2,2 millions de points).
Prompt :
Analyse avec précision mes données Apple Santé. ANALYTIQUE: Utilise toutes les techniques pertinentes à ta disposition: - Machine Learning (clustering, détection d'anomalies, prédiction de tendances) - Analyses statistiques avancées (corrélations multivariées, analyses de séries temporelles) - Méthodes scientifiques validées pour l'analyse de données biométriques - N'hésite pas à appliquer des modèles sophistiqués si les données le justifient OBJECTIFS D'ANALYSE: 1. Etat de santé global et scoring multidimensionnel 2. Détection de patterns cachés et corrélations non évidentes entre métriques 3. Identification d'anomalies, outliers, et signaux d'alerte potentiels 4. Analyse temporelle: évolution, cycles, saisonnalité, points de rupture 5. Comparaison avec normes médicales/standards population similaire 6. Prédiction de tendances futures basées sur l'historique 7. Analyse de causalité potentielle (ex: impact activité → sommeil → VFC) LIVRABLES ATTENDUS: Rapport Word exhaustif structuré en: - Executive summary (insights majeurs en 1 page) - Méthodologie utilisée (techniques appliquées, pourquoi) - Analyse détaillée par dimension santé (cardio, sommeil, activité, etc.) - Corrélations cross-métriques et découvertes significatives - Visualisations (graphiques évolution, heatmaps, distributions) - Anomalies et points d'attention médicale éventuels - Recommandations actionnables priorisées par impact/faisabilité - Annexes techniques si pertinent EXIGENCES: - Maximum de profondeur analytique possible - Rigueur scientifique dans les conclusions - Transparence sur les limites/incertitudes - Priorisation claire des insights par importance clinique - Recommandations concrètes, mesurables, réalistes Explore librement les données, teste différentes hypothèses, et n'hésite pas à creuser les aspects qui semblent révélateurs.
Claude commence par explorer les fichiers présents et l'ensemble des données structurées en XML (près de 1 Go) et génère un plan d'action. Dans son plan, l'IA propose de parser le XML avant de débuter l'analyse, puis de découper les données en catégories (cardio, sommeil, activité), d'appliquer des modèles de machine learning pour détecter les patterns cachés et les anomalies, d'analyser les corrélations entre les différentes métriques, et enfin de générer le rapport Word avec des visuels. Le tout est structuré en 6 étapes : parsing des données, nettoyage, analyses statistiques, modèles prédictifs, création des graphiques et rédaction du rapport final.
Le plan d'exécution de Claude Code (extrait du plan global) :
Etape 1: Infrastructure données
- Parser XML avec iterparse (gestion mémoire)
- Nettoyage (doublons, valeurs aberrantes, timezone)
- Cache Parquet pour réutilisation
Etape 2: Feature Engineering
- Agrégations temporelles (hourly, daily)
- Features sommeil (durée, efficacité, architecture)
- Features cardio (resting HR, HRV, zones)
- Features activité (steps, energy, workouts)
Etape 3: Analyses Core
- Statistiques descriptives
- Corrélations + PCA + clustering
- Anomaly detection
- Comparaison normes médicales
Etape 4: Analyses Avancées
- Décomposition temporelle
- Changepoints
- Granger causality + VAR
- Forecasting Prophet/ARIMA
Etape 5: Visualisations
- Génération tous graphiques (PNG haute résolution)
- Charts interactifs pour exploration
Etape 6: Rapport Word
- Template python-docx
- Insertion graphiques
- Tableaux comparatifs
- Narratif et recommandations
Un rapport très complet, des conseils actionnables
Après 45 minutes de traitement, Claude génère un rapport Word exhaustif de pas moins de 36 pages structuré en 12 sections. Le document commence par un executive summary d'une page avec un score de santé global et un graphique multidimensionnel. Le rapport comprend une vingtaine de visualisations générées automatiquement : courbes d'évolution avec moyennes mobiles, heatmaps, décompositions saisonnières, et même des prévisions à 30 jours via les modèles. Chaque section (cardiovasculaire, sommeil, activité) inclut des comparaisons avec les normes médicales de référence, citées avec leurs sources scientifiques.
Côté positif : ma récupération cardiaque post-effort est excellente (chute de 25 bpm après 1 minute, un marqueur fiable de bonne santé cardiovasculaire), je m'entraîne régulièrement avec 3,9 séances par semaine, et mon rythme circadien reste stable. Les axes d'amélioration sont clairs : une fréquence cardiaque au repos à 75 bpm (élevée pour mon âge et mon niveau d'activité), un sommeil pas assez réparateur, et surtout un signal qui mérite attention : 12,4% de mes mesures de saturation en oxygène sont en dessous de 94%, ce qui pourrait indiquer un syndrome d'apnées du sommeil, même si les capteurs grand public sont connus pour leur imprécision sur cette métrique.
Claude identifie aussi que les bénéfices de mes entraînements se manifestent avec 5 jours de décalage, ou que mon corps récupère moins bien le weekend qu'en semaine, alors qu'on s'attendrait à l'inverse. L'IA pointe vers mon décalage horaire social : je me couche plus tard le weekend, ce qui perturbe mon rythme. Des insights concrets qu'aucune application de santé grand public ne propose nativement.
L'exercice se révèle concluant. Claude a produit en 45 minutes un rapport plus détaillé et actionnable que tout ce qu'Apple Santé propose nativement après quatre ans de collecte. Il faut toutefois accepter de se pencher sur le rapport pour en tirer le meilleur, les 36 pages générées demandent du temps d'analyse, et certaines sections techniques nécessitent un minimum d’expertise médicale pour les interpréter correctement. Ce test donne surtout un aperçu de ce que l'IA sera capable de faire nativement dans quelques années, quand les intégrations directes avec les applications de santé seront déployées.
Bien sûr, ce type d'analyse ne remplace pas un avis médical professionnel. L'outil peut en revanche aiguiller vers les bons signaux à surveiller et fournir des conseils concrets pour optimiser sa condition physique au quotidien. Une approche hybride qui pourrait bien devenir la norme.