Apple Watch ще открива здравословни проблеми?

В скорошна статия Apple описват AI модел, който е обучен на Apple Watch и благодарение на него устройството ще може да засича здравословни проблеми, за които дори може да не знаем.

Ето и съкратен и адаптиран превод на статията, а целия вариант може да намерите тук: Beyong Sensor Data…

Отвъд сензорните данни: Фундаментални модели на поведенчески данни от носими устройства подобряват здравните прогнози
Автори: Ерай Ертюрк, Фахад Камран, Салар Абаспуразад и др. (Apple Inc., USC)

Резюме

Носимите устройства записват физиологични и поведенчески сигнали, които могат да подобрят здравните прогнози. Докато фундаменталните модели все по-често се използват за такива прогнози, досега те са били прилагани основно към нискониво сензорни данни, въпреки че поведенческите данни често са по-информативни, тъй като са по-добре съобразени с физиологично релевантни времеви мащаби и количества.

В тази работа разработваме фундаментални модели на такива поведенчески сигнали, използвайки над 2,5 милиарда часа данни от носими устройства, събрани от 162 000 души. Систематично оптимизираме архитектури и стратегии за токенизация за този уникален набор от данни. Моделът е оценен по 57 задачи, свързани със здравето, и показва силни резултати в различни реални приложения, включително класификация на индивидуално ниво и прогноза на динамично променящи се здравни състояния. Моделът се справя особено добре със задачи, водени от поведение, като прогнозиране на съня, и се подобрява допълнително, когато се комбинира с представяния от сурови сензорни данни.

1. Въведение

Потребителските носими устройства като смарт часовници и фитнес тракери предоставят богата информация за различни аспекти на здравето – сърдечно-съдово, сън, диабет, психично здраве и др. Обичайна задача е да се открие определено здравословно състояние чрез анализ на физиологични, поведенчески или сензорни данни.

Докато повечето предишни изследвания се фокусират върху нискониво сензорни данни, по-високо ниво поведенческа информация (като физическа активност, мобилност, фитнес) често е по-подходяща за решаване на такива задачи. Тези метрики се изчисляват чрез валидирани алгоритми и са избрани така, че да съответстват на физиологично значими състояния. Поведенческите данни са чувствителни към индивидуалното поведение и са обещаващи за здравни прогнози, но носят предизвикателства като неравномерно вземане на проби, липсващи данни и различни честоти на измерване.

Това мотивира нуждата от подходи, които могат да се учат от големи количества неетикетирани данни, каквито са фундаменталните модели.

2. Свързана работа

Последните години показват успех на фундаменталните модели, обучени чрез self-supervised learning (самонаблюдавано обучение) върху сензорни данни от носими устройства. Нашата работа се различава, като се фокусира върху по-високо ниво поведенчески данни, които са по-релевантни за много здравни задачи.

3. Данни

Използваме данни от Apple Heart and Movement Study (AHMS) – най-голямото по рода си проучване с над 278 000 участници и до 5 години проследяване. Фокусът е върху 27 интерпретируеми поведенчески и физиологични метрики, извлечени от Apple Watch и iPhone, групирани в категории като активност, сърдечно-съдови показатели, жизнени функции, мобилност, телесни измервания и фитнес.

4. Разработка на фундаментален модел

Създаваме модел, който кодира поведенческите и здравни данни на индивид в единна векторна репрезентация за даден времеви прозорец (например седмица). Изпробвани са различни стратегии за токенизация и архитектури – включително трансформери и съвременни state-space модели (Mamba-2). Най-добри резултати дава комбинация от Time Series Transformer токенизация и Mamba-2 архитектура.

5. Оценка и резултати

Моделът е тестван по 57 задачи, включително:

Прогноза на възраст и пол
Откриване на хронични заболявания и прием на медикаменти
Прогноза на динамични състояния като сън, инфекция, травма, бременност

Основни изводи:

Моделът на поведенчески данни (WBM) показва силна производителност и често надминава моделите, базирани само на сензорни данни.
Комбинирането на поведенчески и сензорни данни дава най-добри резултати за почти всички задачи.
Поведенческите данни са особено полезни за задачи, свързани със сън, активност и динамични състояния, докато суровите сензорни данни са достатъчни за някои физиологични задачи.

6. Дискусия

Работата показва, че фундаменталните модели, обучени върху поведенчески данни от носими устройства, могат значително да подобрят здравните прогнози и да разширят възможностите за персонализирана и превантивна дигитална медицина. Комбинирането на различни типове данни дава най-добри резултати.

(Visited 29 times, 1 visits today)