Les infections virales des voies respiratoires (IVVRs) causées par certains virus comme la grippe et le COVID-19 ont un impact significatif sur la santé publique et l’économie mondiale. Ces infections touchent un nombre important de personnes dans le monde et exercent une pression immense sur les systèmes de santé. Pour atténuer les effets néfastes des IVVRs, il est important de développer des techniques de détection précoce capables d’identifier les personnes infectées même si elles ne présentent aucun symptôme. Une telle détection permet un isolement et raitement rapide, ce qui réduit le risque de transmission et permet des interventions de santé publique ciblées pour limiter la propagation de l’infection. Les méthodes de détection actuelles telles que la réaction en chaîne par polymérase (RCP) démontrent une sensibilité et une spécificité élevées, atteignant des taux de détection de 100% avec certaines méthodes de test disponibles dans le marché. De plus, les approches actuelles d’apprentissage automatique pour la détection des IVVRs, montrent des résultats prometteurs ; cependant, les méthodes actuelles reposent souvent sur l’apparition des symptômes, exigent un équipement coûteux et un personnel formé, et fournissent des résultats relativement retardés. Notre projet vise à étudier la faisabilité de l’utilisation d’un algorithme d’apprentissage automatique entraîné sur des données physiologiques provenant de biocapteurs portables lors d’un protocole de test de marche sur escalier pour prédire le niveau d’inflammation associé aux IVVRs. De plus, l’étude vise à identifier les indicateurs les plus prédictifs des IVVRs. Des participants en bonne santé ont été recrutés et inoculés avec un vaccin antigrippal vivant pour induire une réponse immunitaire. Au cours d’une série de tests d’escalier contrôlés cliniquement, des physiomarqueurs tels que la fréquence respiratoire et la fréquence cardiaque ont été meusurés à l’aide de biocapteurs portables. Les données collectées ont été utilisées pour développer un modèle de prédiction en ayant recours aux algorithmes d’apprentissage automatique, combinés avec un réglage d’hyperparamètres et en écartant un participant à la fois lors de l’entraînement du modèle. L’étude a développé avec succès un modèle prédictif qui démontre des résultats prometteurs dans la prédiction du niveau d’inflammation lié au vaccin induit. Notamment, les caractéristiques de variabilité de la fréquence cardiaque (VFC) dérivées du biocapteur portable présentaient le potentiel le plus élevé pour détecter le niveau d’inflammation, atteignant une sensibilité de 70% et une spécificité de 77%. Les implications du modèle de prédiction développé sont importantes pour les cliniciens et le grand public, notamment en termes d’autosurveillance et d’intervention précoce. Grâce aux algorithmes d’apprentissage automatique et des physiomarqueurs utilisés, en particulier les caractéristiques de VFC, cette approche a le potentiel de faciliter l’administration en temps opportun des traitements appropriés, atténuant ainsi l’impact des futures épidémies des IVVRs. L’intégration de biocapteurs portables et d’algorithmes d’apprentissage automatique fournit une stratégie innovante et efficace de détection précoce, permettant une intervention rapide et réduisant la charge sur les systèmes de santé / Viral respiratory tract infections (VRTIs) caused by certain viruses like influenza and COVID-19, significantly impact public health and the global economy. These infections affect a large number of people worldwide and put immense pressure on healthcare systems. To mitigate the detrimental effects of VRTIs, it is crucial to urgently develop accurate early detection techniques that can identify infected individuals even if they do not exhibit any symptoms. Timely detection allows for prompt isolation and treatment, reducing the risk of transmission and enabling targeted public health interventions to limit the spread of the infection. Current detection methods like polymerase chain reaction (PCR) demonstrate high sensitivity and specificity, reaching 100% detection rates with some commercially available testing methods. Additionally, current machine learning approaches for automatic detection show promising results; however, current methods often rely on symptom onset, demand expensive equipment and trained personnel, and provide delayed results. This study aims to investigate the feasibility of utilizing a machine learning algorithm trained on physiological data from wearable biosensors during a stair stepping task protocol to predict the level of inflammation associated with VRTIs. Additionally, the study aims to identify the most predictive indicators of VRTIs. Healthy participants were recruited and inoculated with a live influenza vaccine to induce an immune response. During a series of clinically controlled stair tests, physiomarkers such as breathing rate and heart rate were monitored using wearable biosensors. The collected data were employed to develop a prediction model through the utilization of gradient boosting machine learning algorithms, which were combined with hyperparameter tuning and a leave-one-subject-out approach for training. The study successfully developed a predictive model that demonstrates promising results in predicting the level of inflammation related to the induced VRTI. Notably, heart rate variability (HRV) features derived from the wearable biosensor exhibited the highest potential in detecting the level of inflammation, achieving a sensitivity of 70% and a specificity of 77%. The implications of the developed prediction model are significant for clinicians and the general public, particularly in terms of self-monitoring and early intervention. By leveraging machine learning algorithms and physiomarkers, specifically HRV features, this approach holds the potential to facilitate the timely administration of appropriate treatments, thereby mitigating the impact of future VRTI outbreaks. The integration of wearable biosensors and machine learning algorithms provides an innovative and effective strategy for early detection, enabling prompt intervention and reducing the burden on healthcare system