AI ulepsza prognozowanie zdrowia z Apple Watcha

Nowy model sztucznej inteligencji wykorzystuje dane behawioralne z zegarka Apple Watch do lepszych prognoz zdrowotnych.

Nowe badanie naukowe wykorzystuje informacje behawioralne pochodzące z danych z czujników zegarka Apple Watch do prognozowania stanu zdrowia. Informacje behawioralne z zegarka Apple Watch, takie jak aktywność fizyczna, wydolność sercowo-naczyniowa i wskaźniki mobilności, mogą być bardziej przydatne w określaniu stanu zdrowia danej osoby niż same dane z czujników – ptak wynika z najnowszego badania naukowego.

Przez lata Apple współpracowało z badaczami medycznymi nad różnymi zagadnieniami, od cykli menstruacyjnych i gry w pickleballa, po utratę słuchu i monitorowanie snu. Producent iPhone’a zbadał również treningi i ćwiczenia cardio wykonywane przez maratończyków w ramach wieloletniego badania Heart and Movement Study, w którym wykorzystano Apple Watcha.

Badanie Heart and Movement Study jest częścią szerszej inicjatywy mającej na celu promowanie zdrowego ruchu i poprawę zdrowia układu krążenia. Teraz inny sponsorowany przez Apple artykuł badawczy, który opiera się na danych z badania Heart and Movement Study, wyjaśnia, jak dane behawioralne mogą często służyć jako ważniejszy wskaźnik zdrowia w porównaniu z konwencjonalnymi danymi biometrycznymi uzyskanymi za pomocą czujników sprzętowych.

Badanie zatytułowane „Beyond Sensor Data: Foundation Models of Behavioral Data from Wearables Improve Health Predictions” (Poza danymi z czujników: Modele podstawowe danych behawioralnych z urządzeń noszonych poprawiają prognozy zdrowotne) stwierdza, że ​​wskaźniki aktywności fizycznej, sprawności układu krążenia i mobilności są szczególnie przydatne do wykrywania przejściowych i statycznych stanów zdrowia.

Statyczny stan zdrowia obejmowałby na przykład informacje takie jak to, czy dana osoba pali tytoń, czy ma nadciśnienie lub czy przyjmuje beta-blokery. Ciąża natomiast stanowiłaby stan przejściowy. Dane z czujników są zazwyczaj gromadzone w niższych skalach czasowych – sekundach, a nie miesiącach, w których przejściowy stan zdrowia może trwać.

Model fundamentu zachowań zdrowotnych urządzeń noszonych — WBM

Mając na uwadze te informacje, naukowcy stworzyli to, co nazywają WBM, czyli modelem fundamentu zachowań zdrowotnych urządzeń noszonych (z ang. Wearable Health Behavior Foundation Model). Został on przeszkolony na „danych behawioralnych z urządzeń noszonych, z wykorzystaniem 162 tys. uczestników, którzy wykonali ponad 15 miliardów pomiarów godzinowych w ramach badania Apple Heart and Movement Study”.

Zamiast przetwarzać surowe dane biometryczne z czujników, WBM wykorzystał „27 interpretowalnych wartości HealthKit, które są obliczane z czujników niższego poziomu przy użyciu sprawdzonych metod”. Metryki te obejmowały czas ćwiczeń, czas stania, natlenienie krwi, pomiary tętna i inne.

„W porównaniu z modelowaniem surowych danych z czujników, te uzyskane metryki są wybierane przez ekspertów ze względu na ich zgodność z istotnymi fizjologicznymi stanami zdrowia” – wyjaśniają naukowcy. Krótko mówiąc, WBM wykorzystuje wzorce pochodzące z surowych danych z czujników do przewidywania stanu zdrowia danej osoby, a badanie sugeruje, że przewyższa to tradycyjne metody wykrywania, które opierają się na strumieniach danych z czujników.

„Model doskonale sprawdza się w zadaniach opartych na zachowaniu, takich jak przewidywanie snu, i jeszcze bardziej się poprawia w połączeniu z reprezentacjami surowych danych z czujników”. W artykule badawczym stwierdzono również, że model WBM został przetestowany w 57 zadaniach związanych ze zdrowiem i w większości sytuacji przewyższył tradycyjny model PPG (fotopletyzmografu).

W szczególności, model WBM przewyższa model PPG w przewidywaniu statycznych stanów zdrowia, takich jak stosowanie beta-blokerów, ponieważ skuteczniej wykrywa spadki tętna w ciągu dnia. Przewyższał również model PPG w przewidywaniu przejściowych stanów zdrowia, takich jak ciąża, chociaż nie był w stanie przewidzieć cukrzycy lepiej niż PPG. „Dane z czujników niskiego poziomu przewyższają dane behawioralne w zadaniach, w których informacje fizjologiczne są wystarczające” – czytamy w badaniu.

Dlaczego hybrydowe podejście PPG + WBM okazało się przydatne i kiedy

Właśnie dlatego naukowcy zbadali również hybrydowy model PPG + WBM, który znacznie poprawił skuteczność predykcyjną. Model WBM wykrywa wzorce zachowań pochodzące z surowych danych z czujników, które mogą zawierać istotne informacje o zdrowiu danej osoby. PPG z kolei potrafi rozpoznawać natychmiastowe zmiany fizjologiczne. Obie metody uzupełniają się, ale tylko wtedy, gdy same informacje fizjologiczne nie wystarczają, a zachowanie jest istotnym predyktorem.

„Wreszcie widzimy, że w większości zadań połączenie modeli WBM i PPG daje najdokładniejsze modele” – czytamy w badaniu. „To połączenie zapewnia najlepszą skuteczność przewidywania wieku we wszystkich rozważanych modelach, wyraźnie przewyższając każdy z tych modeli osobno”.

Podejście hybrydowe jest szczególnie przydatne w wykrywaniu ciąży, ponieważ oba rodzaje danych są niezbędne do określenia tego przejściowego stanu zdrowia. Ogólnie rzecz biorąc, uzyskało ono najlepsze wyniki w 42 z 47 wyników przetestowanych przez badaczy.

Jeśli chodzi o to, co to wszystko oznacza w praktyce, Apple mogłoby zastosować to hybrydowe podejście jako sposób na rozwinięcie swojej istniejącej technologii związanej ze zdrowiem. Innymi słowy, wykorzystując model podobny do WBM wraz z istniejącymi czujnikami PPG lub EKG (elektrokardiogramu) Apple Watcha. Zainteresowanie firmy funkcjami związanymi ze zdrowiem utrzymuje się na stałym poziomie od lat, co oznacza, że ​​możemy spodziewać się ulepszeń w przyszłości.

źródło: Apple Insider | Apple