Abstract: L'analyse de fluctuation désaisonnalisée (AFD) est un outil populaire dans les études physiologiques ct médicales pour estimer le coefficient d'autosimilarité, •, des series te mporelles. Des recherches récentes ont étendu son utilisation pour évaluer la multifractalité (où a est une fonction du paramètre multifractal q) à différentes échelles n. De cette manière, l'AFD multifractale multi-échelle fournit une surface bidimensionnelle o(q,n) pour quanfifier le niveau de multifractalité à chaque échelle séparément. Nous avons récemment montré que la rés olution d'échelle et la variabilité d'estimation de o(q,n) peuvent être améliorées à chaque échelle n en divisant la serie en blocs à chevauchement maximal. Ceci, dependant, augmente la charge de calcul rendant les estimations AFD irréalisables dans la plupart des applications. Notre objectif est de fournir un algorithme AFD suffisamment rapide pour évaluer l'AFD multifractale avec des blocs à chevauchement maximal, même sur de longues séries temporelles, comme celles habituellement enregistrées dans des contextes physiologiques ou cliniques, améliorant ainsi la qualité de l'esfimation de a(q,n). À cette fin, nous révisons les formules analytiques pour l'AFD multifractale avec des polynômes de désaisonnalisation de premier et second ordre (c’est-à-dire DFA1 et DFA2) et proposons un algorithme plus rapide que les codes actuellement disponißles. En l'appliquant sur des series fractales/multifractales synthétisées, nous démontrons sa stabilité numérique et un temps de calcul d'environ 1 % de celui requis par les codes traditionnels. En analysant de longs signaux physiologiques (tachogrammes de fréquence cardiaque provenant d'un enregistrement Holter de 24 heures et des tracés électroencéphalographiques provenant d'une étude du sommeil), nous illustrons sa capacité à fournir des surfaces o(q,n) à haute resolution qui décrivent mieux les propriétés multifractales/multi-échelles des series temporelles en physiologie. L'algorithme rapide propose pourrait doric faciliter l'extraction d'informations plus riches sur la dynamique complexe des signaux cliniques, améliorant potentiellement la stratification des risques ou l'évaluation des interventions meditates et des protocoles de réadaptation.