La recherche n'a jamais accordé une place proportionnelle aux femmes. Les applications ont hérité de cette lacune.

Ce n'est pas une conspiration. C'est un fait historique documenté : pendant la majeure partie du XXe siècle, les corps sur lesquels la recherche en santé publique s'est fondée étaient majoritairement masculins. Jusqu'aux années 1990, les femmes étaient exclues par défaut des grands essais cliniques au motif que le cycle menstruel était un facteur de confusion — une manière polie dans le jargon scientifique de dire que ce qui fait de vous une femme était traité comme un bruit de fond à éliminer.

Trente ans plus tard, cet héritage est encore partout. Les tableaux de dosage des médicaments. Les listes de symptômes de crise cardiaque. Les fourchettes de référence utilisées pour interpréter vos dernières analyses de sang. La « normale » auto-détectée par votre suivi du sommeil. Le symptôme de la phase lutéale que votre application de suivi de règles a discrètement moyenné. Rien de tout cela n'a été conçu avec malveillance. Mais tout a été construit sur des données qui ne vous incluaient pas suffisamment.

Ce dont les applications ont hérité

Les applications de santé et les 'wearables' grand public n'ont pas inventé ce déficit de données. Ils en ont hérité. Puis ils l'ont aggravé de deux manières spécifiques : en s'entraînant sur davantage de ces mêmes données biaisées, et en lissant vos propres anomalies pour les fondre dans des moyennes de population, afin de présenter un tableau de bord épuré. Le problème, c'est justement ce tableau de bord épuré. Un tableau de bord épuré, c'est ce qui vous dit que tout va bien, alors que ce n'est pas le cas.

• Les applications de suivi de règles qui présupposent un cycle de 28 jours et recentrent discrètement votre cycle réel autour de cette norme. Vos données réelles, c'était votre cycle. Le lissage, c'était la perte d'information.
• Les suivis du sommeil qui évaluent la « normale » par rapport à une moyenne de population où l'effondrement du sommeil pendant la phase lutéale féminine est statistiquement noyé par les nuits masculines.
• Les bracelets de variabilité de la fréquence cardiaque calibrés sur des cohortes d'hommes sportifs et qui signalent votre récupération, pourtant parfaitement bonne, comme étant faible pendant deux semaines chaque mois.
• Les vérificateurs de symptômes pour qui la « présentation classique » d'une crise cardiaque est la présentation masculine, la présentation féminine étant reléguée sous la mention « atypique ».

Pourquoi c'est plus important que jamais

On pourrait logiquement penser que l'écart se comble. C'est le cas dans certains domaines. La FDA a commencé à exiger des analyses spécifiques au sexe en 1993. Les directives en cardiologie commencent à considérer la présentation féminine comme primaire, et non plus atypique. L'endométriose n'est plus systématiquement rejetée comme une « exagération féminine » par les cliniciens de moins de quarante ans. De vrais progrès, réels mais lents.

Mais les applications sur votre téléphone ont été entraînées sur les données qui existaient déjà, et ces données sont toujours biaisées. Pire encore : ces mêmes applications se voient maintenant dotées de fonctionnalités d'IA qui vous résument votre état de santé avec une grande assurance. Mais l'assurance n'est pas la précision. Un modèle entraîné sur une population qui vous sous-représente parlera avec la même aisance pour dire des choses fausses sur vous que pour en dire de justes.

La solution n=1

Il existe une solution qui ne nécessite pas d'attendre que le domaine rattrape son retard. Considérez votre propre corps comme un échantillon unique (n=1). Arrêtez de demander à l'algorithme si vous êtes normale. Demandez à un modèle de raisonnement — nourri uniquement de vos notes sur quatre mois — si vous présentez une tendance. Le modèle n'a pas besoin d'une population. Il a besoin de vos données, notées honnêtement, et d'une question qui respecte ce que vous seule pouvez observer.

1. Ouvrez un seul document. Quatre lignes par jour. Jour du cycle (ou semaine, post-ménopause). Sommeil. Un symptôme noté de 1 à 10. Une phrase sur votre niveau d'énergie. Quatre-vingt-dix secondes. Sans écran qui clignote.
2. Faites cela pendant quatre cycles, ou quatre mois si vous n'avez plus de cycle. Quatre mois, c'est le plus petit échantillon permettant à une vraie tendance d'émerger au-delà du bruit d'une seule mauvaise semaine.
3. Copiez-collez l'ensemble dans un outil de conversation gratuit basé sur le raisonnement. Demandez : « Sur ces quatre mois de mes propres données, quelle tendance voyez-vous — non pas ce qui est normal pour la population, mais ce qui est constant pour moi ? »
4. Prenez le paragraphe que le modèle vous renvoie, corrigez-le si besoin, et apportez-le à votre prochain rendez-vous médical comme justification pour demander un examen spécifique. Un seul. Pas douze.
5. Si le médecin vous dit que « les cycles varient », vous aurez quatre mois de preuves que le vôtre varie d'une manière spécifique et répétable. C'est cette phrase qui fera avancer la conversation.

“Les données de population ne pouvaient pas vous voir. Vos propres notes sur quatre mois le peuvent. Le modèle qui les interprète ne vous diagnostique pas — il fait le travail de tableau de bord que les applications étaient censées faire mais ne pouvaient pas, car elles ont été construites sur une population dont vous n'avez jamais fait proportionnellement partie.”

Pour les praticiens qui lisent cet article

Si vous travaillez avec des femmes — et c'est le cas de la plupart des praticiens — l'amélioration la plus rapide de la qualité de votre anamnèse est de cesser de demander aux nouvelles clientes d'apporter les données de leurs applications, et de leur demander plutôt d'apporter quatre cycles de leurs propres notes. Pour trois raisons. La note est honnête d'une manière que les données d'application ne le sont pas, car personne ne ment à un carnet comme on peut mentir à une application pour maintenir une « série ». La note inclut des informations que les applications n'ont pas, car la cliente les a écrites elle-même. Et la note peut être interprétée en trois minutes par un modèle devant la cliente, ce qui fait de cette restitution un élément de la relation thérapeutique.

Cela met également fin à la supposition silencieuse que les moyennes de population sur lesquelles vos outils sont construits s'appliquent parfaitement à elle. Ce n'est pas le cas. Elles s'appliquent en moyenne. Elle n'est pas « la moyenne ». Personne ne l'est.

Le levier discret

Ce déficit de données se comblera. Il est en train de se combler. Mais les applications que vous utilisez ce mois-ci ont été entraînées avant que cela n'arrive, et les fonctionnalités d'IA ajoutées cette année lissent avec assurance votre véritable signal pour le fondre dans cette même vieille moyenne de population. En attendant que le domaine rattrape son retard, le modèle le plus précis de votre santé est celui qui a lu quatre mois de vos propres notes honnêtes — et rien d'autre. Ce modèle existe. Il est gratuit. La note de quatre lignes est ce qui le rend utile.

Arrêtez de demander aux algorithmes si vous êtes normale. Demandez à un modèle si vous présentez une tendance. La première question n'allait jamais vous servir. La seconde est celle que votre corps attendait que quelqu'un pose.