Um novo estudo apoiado pela Apple afirma que os dados de comportamento (movimento, sono, exercício etc.) geralmente podem ser um sinal de saúde mais forte do que as medições biométricas tradicionais, como freqüência cardíaca ou oxigênio no sangue. Para demonstrá -lo, os pesquisadores desenvolveram um modelo de fundação treinado em dados comportamentais coletados por dispositivos vestíveis e se comportou surpreendentemente bem. Aqui estão os detalhes.
Este documento de pré -impressão, além dos dados sobre os sensores: os modelos de fundação de dados comportamentais vestíveis melhoram as previsões de saúde, derivam do estudo Apple Heart and Movement (AHMS). Eles formaram um novo modelo de fundação em mais de 2,5 bilhões de horas de dados vestíveis, mostrando que ele pode corresponder (e até mesmo o excesso) de modelos existentes com base nos dados do sensor de baixo nível.
Eles chamam o novo modelo WBM, que significa o modelo de comportamento vestível. E os modelos anteriores de fundação relacionados à saúde foram baseados principalmente em fluxos de sensores brutos, como o sensor de frequência cardíaca do Apple Watch (PPG ou PhotoplethysMograph) ou seu eletrocardiógrafo (ECG), o WBM aprende diretamente com métricas comportamentais de nível superior: contando as etapas, a estabilidade da boca, a mobilidade, a mobilidade, a max max e assim por diante. Tudo o que o Apple Watch produz em abundância.
Mas se o Apple Watch tiver esses sensores, qual é o sentido do novo modelo?
Excelente pergunta. E a resposta está no estudo:
“Os dispositivos vestíveis dos consumidores, como smartwatch e rastreador de fitness, fornecem informações ricas em diferentes setores de saúde (…). Um aspecto importante do monitoramento da saúde é detectar um estado de saúde estático, se alguém tem um histórico de fumaça, é atualmente um diagnóstico de uma maneira importante. dispositivos vestíveis (…).
Embora a maioria dos trabalhos anteriores tenha considerado a modelagem de dados de sensores de baixo nível (ou características simples), informações comportamentais de nível superior de dispositivos vestíveis, como atividade física, adequação cardiovascular e métricas de mobilidade, são o tipo de dados naturais para ajudar a resolver essas atividades de detecção. Diferentemente dos sensores ásperos, essas métricas comportamentais de nível superior são calculadas usando algoritmos cuidadosamente válidos válidos derivados de sensores brutos. Essas métricas são escolhidas intencionalmente por especialistas para se alinharem com quantidades fisiologicamente relevantes e estados de saúde. É importante sublinhar que esses dados são sensíveis ao comportamento de um indivíduo, em vez de serem guiados exclusivamente pela fisiologia. Essas características tornam os dados comportamentais particularmente promissores para essas tarefas de detecção de saúde. Por exemplo, as métricas de mobilidade que caracterizam o ritmo da velocidade e os níveis de atividades gerais podem ser fatores comportamentais importantes para ajudar a detectar um estado de saúde em evolução, como a gravidez. “
Em outras palavras, enquanto o Apple Watch coleta os dados do sensor bruto, esses dados podem ser barulhentos, esmagadores e nem sempre alinhados com eventos de saúde significativos.
Embora as métricas usadas pelo WBM sejam baseadas nesses dados do sensor, os dados são aperfeiçoados para destacar os comportamentos do mundo real e as tendências relevantes para a saúde. Eles são mais estáveis, mais fáceis de interpretar e melhor estruturados para modelar tendências de saúde a longo prazo.
Na prática, o WBM aprende com os modelos encontrados nos elaborados dados comportamentais, em vez de confiar diretamente nos sinais do sensor bruto.
Os bits nerd
O WBM foi treinado nos dados do Apple Watch e iPhone de 161.855 participantes do AHMS. Em vez de fluxos brutos, o modelo foi alimentado 27 métricas comportamentais temporárias humanas, como energia ativa, ritmo de caminhada, variabilidade da frequência cardíaca, frequência respiratória e vida útil do sono.
Os dados foram divididos em blocos semanais e passaram por uma nova arquitetura construída no Mamba-2, que funciona melhor do que os transformadores tradicionais (a base para o GPT) para este caso de uso.
Se avaliado em 57 tarefas relacionadas à saúde, o WBM superou um modelo forte com base no PPG em 18 das 47 previsões de saúde estáticas (como se alguém tivesse bloqueadores beta) e em todos, exceto uma das tarefas dinâmicas (como detectar a gravidez, qualidade do sono ou infecção respiratória). A exceção foi o diabetes, para o qual o único PPG venceu.
Melhor ainda: combinar as representações dos dados do WBM e do PPG produziram os resultados mais precisos em geral. O modelo híbrido obteve precisão máxima de 92% para a detecção de gravidez e ganhos constantes na qualidade do sono, infecção, lesões e tarefas relacionadas ao cardiovascular, como a detecção do AFIB.
No final, o estudo não tenta substituir os dados do sensor pelo WBM, mas completa -os. Modelos como o WBM capturam sinais comportamentais longos, enquanto o PPG captura alterações fisiológicas de curto prazo. Mas juntos, eles são melhores para seguir com antecedência mudanças significativas em saúde.
Se você quiser saber mais sobre o estudo do coração e dos movimentos da Apple e outros estudos, cobrimos você.
AirPods oferece na Amazon
FTC: Usamos conexões de afiliação automática para obter renda. Além disso.
