Un nuevo estudio respaldado por la Apple sostiene que sus datos de comportamiento (movimiento, sueño, ejercicio, etc.) a menudo pueden ser una señal de salud más fuerte que las mediciones biométricas tradicionales como la frecuencia cardíaca o el oxígeno sanguíneo. Para probarlo, los investigadores han desarrollado un modelo de base formado en datos de comportamiento recopilados de dispositivos portátiles, y ha tenido éxito sorprendentemente. Aquí están los detalles.
Este papel preimpreso, Más allá de los datos del sensor: los modelos de bases de datos de comportamiento de Warables mejoran las previsiones de saludviene siguiendo el Estudio de movimiento coeur y manzana (AHMS). Han formado un nuevo modelo de base en más de 2.500 millones de horas de datos portátiles, lo que demuestra que puede corresponder (e incluso superar) los modelos existentes basados en datos de sensores de bajo nivel.
Llaman al nuevo modelo WBM, que significa un modelo de comportamiento portátil. Y si bien los modelos de cimientos relacionados con la salud previa se basaban principalmente en flujos de sensores en bruto, como el sensor de frecuencia cardíaca de Apple Watch (PPG, o PhotoPlethysmographer) o su electrocardiografía (ECG), WBM se entera directamente de métricas conductuales de nivel superior: el número de pasos, la estabilidad del proceso, la movilidad, el Vo₂ MAX, etc. Todo lo que el Apple Watch produce en la abundancia en abundancia.
Pero si el Apple Watch tiene estos sensores, ¿cuál es el interés del nuevo modelo?
Gran pregunta. Y la respuesta está en el estudio:
«La ropa de consumo, como los relojes inteligentes y los rastreadores de acondicionamiento físico, proporciona información rica en varias áreas de salud (…). Un aspecto importante de la vigilancia de la salud es detectar un estado de salud estático, por ejemplo, que alguien tiene antecedentes de fumar, tiene un diagnóstico anterior de hipertensión, o es un tiempo beta. Ejemplo, segundos) a los que se recopilan los datos del sensor bruto de las computadoras portátiles (…).
Aunque la mayoría de los trabajos pasados han previsto el modelado de datos de sensores de bajo nivel (o características simples), la información de comportamiento de alto nivel de la ropa portátil, como la actividad física, la forma cardiovascular y las medidas de movilidad, son el tipo de datos naturales para ayudar a resolver estas tareas de detección. A diferencia de los sensores sin procesar, estas medidas de comportamiento de nivel superior se calculan utilizando algoritmos cuidadosamente validados derivados de sensores sin procesar. Estas medidas son elegidas intencionalmente por expertos para alinearse con cantidades y estados de salud fisiológicamente relevantes. Sobre todo, estos datos son sensibles al comportamiento de un individuo, en lugar de estar motivados solo por la fisiología. Estas características hacen que los datos de comportamiento sean particularmente prometedores para tales tareas de detección de salud. Por ejemplo, las medidas de movilidad que caracterizan los niveles de actividad de caminar y en general pueden ser factores de comportamiento importantes para ayudar a detectar una salud cambiante como el embarazo. »»
En otras palabras, mientras Apple Watch recopila datos de sensores brutos, estos datos pueden ser ruidosos, abrumadores y no siempre alineados con eventos de salud significativos.
Aunque las medidas utilizadas por WBM se basan en los datos de este sensor, los datos se refinan para resaltar el comportamiento real y las tendencias relacionadas con la salud. Son más estables, más fáciles de interpretar y mejor estructurados para modelar las tendencias de salud a largo plazo.
En la práctica, WBM aprende modelos encontrados en los datos de comportamiento procesados, en lugar de depender directamente de las señales de sensores brutos.
Bits de queso
WBM recibió entrenamiento en Apple Watch y datos de iPhone de 161,855 participantes en AHMS. En lugar de flujos crudos, el modelo se nutrió por 27 medidas de comportamiento para la interpretación humana, como la energía activa, el ritmo de caminar, la variabilidad de la frecuencia cardíaca, la frecuencia respiratoria y la duración del sueño.
Los datos se han dividido en bloques semanales y han pasado a través de una nueva arquitectura basada en Mamba-2, que funciona mejor que los transformadores tradicionales (la base para GPT) para este caso de uso.
Cuando se evalúa en 57 tareas relacionadas con la salud, WBM ha superado un modelo sólido basado en PPG en 18 de 47 tareas de predicción de salud estática (como si alguien tomara betabloqueantes) y en todo Pero una de las tareas dinámicas (como detectar el embarazo, la calidad del sueño o la infección respiratoria). La excepción fue la diabetes, por la cual PPG solo ganó.
Aún mejor: la combinación de representaciones de datos de WBM y PPG produjo los resultados más precisos en general. El modelo híbrido ha alcanzado una enorme precisión del 92% para la detección del embarazo y ganancias constantes en la calidad del sueño, las infecciones, las lesiones y las tareas relacionadas con el cardiovascular, como la detección de Afib.
Al final, el estudio no intenta reemplazar los datos del sensor con WBM, sino que los complementa. Los modelos como WBM capturan señales de comportamiento de rango largo, mientras que PPG captura cambios fisiológicos a corto plazo. Pero juntos, son mejores informar cambios significativos en la salud temprano.
Si desea saber más sobre el estudio del corazón y los movimientos de manzana y otros estudios, lo hemos cubierto.
