Το μοντέλο WBM: μια προγνωστική προσέγγιση για την υγεία

Αυτή η καινοτομία βασίζεται στη Μελέτη Καρδιάς και Κίνησης της Apple (AHMS), μια μελέτη μεγάλης κλίμακας που διεξήγαγε ο κατασκευαστής του iPhone. Δημιούργησε το WBM (Wearable Behavior Model), ένα μοντέλο τεχνητής νοημοσύνης που εκπαιδεύτηκε σε περισσότερες από 2,5 δισεκατομμύρια ώρες δεδομένων που συλλέχθηκαν μέσω συνδεδεμένων αντικειμένων.

Σε αντίθεση με προηγούμενες προσεγγίσεις που επικεντρώνονταν σε ακατέργαστα σήματα αισθητήρων, το WBM αναλύει απευθείας μετρήσεις συμπεριφοράς υψηλού επιπέδου. Εξετάζει πράγματα όπως ο αριθμός βημάτων, η σταθερότητα βάδισης, η κινητικότητα και η VO₂ max (μέγιστη πρόσληψη οξυγόνου). Αυτά είναι δεδομένα που παράγει σε αφθονία το Apple Watch.

Οι ερευνητές της Apple εξηγούν ότι οι φορητές συσκευές για καταναλωτές παρέχουν πλούσιες πληροφορίες σε διάφορους τομείς της υγείας. Ωστόσο, η ανίχνευση ορισμένων παθήσεων απαιτεί διαφορετική χρονική προσέγγιση.

Αφενός, πρέπει να εντοπίσουμε στατικές παθήσεις, όπως το αν ένα άτομο έχει ιστορικό καπνίσματος, υψηλής αρτηριακής πίεσης ή λαμβάνει βήτα-αναστολείς. Αφετέρου, πρέπει να εντοπίσουμε παροδικές παθήσεις, όπως η ποιότητα του ύπνου ή μια τρέχουσα εγκυμοσύνη.

Τα δεδομένα συμπεριφοράς προσφέρουν πολλά κρίσιμα πλεονεκτήματα. Υπολογίζονται χρησιμοποιώντας προσεκτικά επικυρωμένους αλγόριθμους από ακατέργαστους αισθητήρες. Οι ειδικοί τα επιλέγουν ειδικά ώστε να αντιστοιχούν σε φυσιολογικά σχετικές ποσότητες και συγκεκριμένες καταστάσεις υγείας. Είναι σημαντικό ότι αυτά τα δεδομένα αντικατοπτρίζουν ατομικές συμπεριφορές και δεν υπαγορεύονται αποκλειστικά από τη φυσιολογία.

Μια αρχιτεκτονική βασισμένη στο Mamba-2 για την ανάλυση 27 μετρήσεων συμπεριφοράς

Το WBM εκπαιδεύτηκε σε δεδομένα Apple Watch και iPhone από 161.855 συμμετέχοντες στη μελέτη AHMS. Αντί να αναλύει ακατέργαστες ροές δεδομένων, το μοντέλο επεξεργάστηκε 27 μετρήσεις συμπεριφοράς που ήταν αναγνώσιμες από τον άνθρωπο: ενεργητική ενέργεια, ρυθμό βαδίσματος, μεταβλητότητα καρδιακού ρυθμού, αναπνευστικό ρυθμό και διάρκεια ύπνου.

Οι ερευνητές οργάνωσαν αυτά τα δεδομένα σε εβδομαδιαία μπλοκ και ανέπτυξαν μια νέα αρχιτεκτονική βασισμένη στο Mamba-2. Αυτή η τεχνολογία ξεπερνά σε απόδοση τους παραδοσιακούς μετασχηματιστές (που χρησιμοποιούνται στο GPT) για αυτόν τον τύπο εφαρμογής.

Εντυπωσιακά αποτελέσματα σε 57 εργασίες υγείας

Οι δοκιμές κάλυψαν 57 εργασίες που σχετίζονται με την υγεία. Το WBM ξεπέρασε ένα ισχυρό μοντέλο PPG (φωτοπληθυσμογραφία) σε 18 από τις 47 εργασίες στατικής πρόβλεψης (όπως ο προσδιορισμός του εάν κάποιος λαμβάνει βήτα-αναστολείς). Το πιο αξιοσημείωτο είναι ότι διέπρεψε σε όλες τις δυναμικές εργασίες εκτός από μία: ανίχνευση εγκυμοσύνης, ποιότητας ύπνου ή αναπνευστικής λοίμωξης. Μόνο ο διαβήτης άντεξε, όπου η PPG από μόνη της είχε καλύτερη απόδοση.

Η απόδοση κορυφώνεται όταν οι ερευνητές συνδυάζουν δεδομένα WBM και PPG. Αυτό το υβριδικό μοντέλο επιτυγχάνει ακρίβεια 92% για την ανίχνευση εγκυμοσύνης. Δείχνει επίσης σταθερές βελτιώσεις στην αξιολόγηση της ποιότητας του ύπνου, στην ανίχνευση λοιμώξεων, τραυματισμών και καρδιαγγειακών προβλημάτων όπως η κολπική μαρμαρυγή.

Συμπληρωματικότητα αντί για υποκατάσταση

Αυτή η έρευνα δεν στοχεύει στην αντικατάσταση των δεδομένων αισθητήρων με WBM, αλλά μάλλον στην έξυπνη συμπλήρωσή τους. Μοντέλα όπως το WBM καταγράφουν μακροπρόθεσμα σήματα συμπεριφοράς, ενώ το PPG ανιχνεύει βραχυπρόθεσμες φυσιολογικές αλλαγές.

Μαζί, αυτές οι τεχνολογίες προσφέρουν καλύτερη δυνατότητα έγκαιρου εντοπισμού σημαντικών αλλαγών στην υγεία. Αυτή η προσέγγιση ανοίγει νέες προοπτικές για την προληπτική ιατρική και την εξατομικευμένη παρακολούθηση της υγείας μέσω συνδεδεμένων αντικειμένων.