Les wearables peuvent-ils changer les comportements santé ? Ou un outil pour la santé numérique ? La santé numérique s’appuie de plus en plus sur des données recueillies par des objets portables pour décider, prévenir, accompagner et parfois même diagnostiquer. Parmi ces dispositifs, l’Apple Watch est de loin le plus répandu, avec des dizaines de millions d’utilisateurs actifs et des données qui sont désormais intégrées dans des parcours de soins hybrides, des interventions de prévention et des modèles d’assurance basés sur la surveillance continue.
Pour autant, quelle est la qualité réelle de ces données ? Et surtout : comment cela influence-t-il les comportements — tant des patients que des professionnels — qui s’appuient sur ces informations ? La réponse ne se trouve pas dans les campagnes marketing, mais dans une méta-analyse systématique et vivante de 82 études avec plus de 430 000 participants, publiée dans npj Digital Medicine.
Ce que mesurent réellement les wearables : une précision très variable
L’étude passe au crible 14 métriques de santé mesurées par l’Apple Watch, validées contre des méthodes de référence. Les résultats montrent une hétérogénéité marquée de la précision selon les métriques :
Mesures robustes ou raisonnablement fiables
- Fréquence cardiaque : biais moyen très faible, mais large variabilité individuelle (≈ ±7 bpm), surtout lors d’activités physiques avec mouvement irrégulier.
- Atrial fibrillation (AFib) — détection ECG : spécificité élevée (~91 %), sensibilité modérée (~79 %) ; lorsque le dispositif signale une fibrillation, il y a une forte probabilité qu’elle soit vraie, mais les faux négatifs restent nombreux.
Mesures à interpréter avec prudence
- Saturation en oxygène (SpO₂) : biais moyen faible mais large dispersion des valeurs, surtout en hypoxémie — ce qui peut conduire à des interprétations erronées dans des contextes cliniques sensibles.
- Dépense énergétique : erreur très importante, jusqu’à plus de 150 % dans certaines conditions, rendant les mesures inutilisables pour évaluation précise.
- Sommeil & pas : précision modérée, suffisante pour des tendances générales mais insuffisante pour des décisions cliniques ou des modèles prédictifs fins.
Conclusion clé de la méta-analyse : la précision dépend fortement de la métrique, du contexte de mesure et des caractéristiques physiologiques individuelles.
Pourquoi cette variabilité compte pour les comportements de santé
1. Pour les patients – confiance et engagement
Les utilisateurs s’appuient sur ces données pour ajuster leurs comportements (activité physique, repos, stress, etc.). Une fausse interprétation — même ponctuelle — peut générer anxiété, comportements inutiles, désengagement ou sur-dépendance aux signaux de l’appareil. Par exemple :
- une SpO₂ mal estimée chez un patient respiratoire peut générer une sur-sollicitation des urgences ;
- une dépense énergétique surestimée peut fausser les objectifs de suivi comportemental.
Dans ce sens, les wearables peuvent influencer les comportements, mais pas forcément de manière fiable ou adaptée aux besoins cliniques réels.
2. Pour les cliniciens – interprétation et intégration clinique
Les professionnels de santé utilisent parfois ces données pour compléter un diagnostic ou ajuster un plan de soins. Les résultats de cette méta-analyse invitent à :
- distinguer les métriques « cliniquement interprétables » (ex. : rythme cardiaque) des métriques exploratoires ou bruitées ;
- ne pas automatiser les décisions à partir de données non validées en contexte clinique, notamment lorsque la variabilité est importante ;
- composer avec l’incertitude des mesures, en introduisant des protocoles d’interprétation clinique adaptés.
Cette exigence de rigueur remet en question certaines implémentations opérationnelles où les données des wearables sont directement intégrées dans des systèmes décisionnels ou de tarification.
3. Pour les décideurs et assureurs – précision acceptée et seuil d’usage
Du point de vue des modèles de financement et de prévention :
- « Suffisant pour des tendances populationnelles » ≠ « suffisant pour décisions individuelles » ; la méta-analyse rappelle que, selon l’usage, les seuils de précision requis changent drastiquement.
- Par exemple, les marges d’erreur tolérables dans un programme d’incitation à l’activité physique ne sont pas les mêmes que pour un suivi à visée de diagnostic.
Au-delà de la tech : ce que cela dit des comportements observés
L’article ne se limite pas à juger une technologie : il remet en perspective la façon dont la donnée elle-même est devenue un objet comportemental.
- Une donnée mal interprétée peut modifier un comportement sans bénéfice réel — ou avec risque.
- Une donnée perçue fiable pourra renforcer l’engagement, même si elle n’est pas cliniquement robuste.
- La confiance dans les wearables dépend autant de la compréhension du signal que de l’éducation aux données.
Autrement dit : ce ne sont pas seulement les outils qui changent les comportements, mais les récits que l’on construit autour des données qu’ils produisent.
Conclusion : entre potentiel et précautions pour les wearables sur les comportements santé
La méta-analyse des mesures Apple Watch montre que :
- certaines données (fréquence cardiaque, AFib ECG) ont un potentiel clinique réel, avec limites connues ;
- d’autres mesures (énergie dépensée, SpO₂ en hypoxémie) nécessitent interprétation prudente ou contextuelle ;
- globalement, le simple fait de générer une donnée ne suffit pas à transformer un comportement de santé. La transformation dépend de l’intégration dans un parcours de soin, d’une interprétation experte et d’une éducation du patient/professionnel aux limites de ces données.
Pour les acteurs du changement comportemental, cela signifie que la santé numérique n’est pas un raccourci vers de meilleurs comportements, mais une plateforme de données à condition d’être comprise, contextualisée et interprétée.
Référence principale
Lambe, R., Baldwin, M., O’Grady, B., Schumann, M., Caulfield, B., & Doherty, C. (2026). The accuracy of Apple Watch measurements: a living systematic review and meta-analysis. npj Digital Medicine, 9, Article 63. https://doi.org/10.1038/s41746-025-02238-1
Source article : https://www.nature.com/articles/s41746-025-02238-1
