Forskare från MIT och Empirical Health presenterade en grundläggande modell som kan förutsäga hälsoproblem med överraskande noggrannhet baserat på en stor datamängd från Apple WatchStudien bygger på nästan tre miljoner mätningar och visar att vanliga bärbara tekniker kan ge mycket djupare medicinsk insikt än man tidigare trott. Den nya studien bygger på idén om JEPA-arkitekturen, som föreslogs för flera år sedan av Yann LeCun. JEPA lär AI att förstå innebörden av saknad data, snarare än att försöka beräkna den exakt. Istället för att rekonstruera värden skapar modellen en meningsfull representation av dem, vilket är en grundläggande fördel för data från bärbar elektronik.
Fotogalerie
JETS-studien arbetade med långtidsdata från 16 522 användare Apple Watch, som var och en registrerade 63 olika mätvärden relaterade till kardiovaskulär och andningsrespiratorisk hälsa, sömn, fysisk aktivitet och allmän statistik. Intressant nog hade endast 15 % av deltagarna medicinskt märkta data. ProModellen tränades först på hela datamängden och finjusterades sedan på de markerade delarna. Enskilda mätningar konverterades till tokens, maskerades och användes sedan för att förutsäga saknade representationer.
Du kan vara intresserad av
JETS-modellen överträffade därefter ett antal äldre metoder. Den uppnådde en AUROC på 86,8 % för högt blodtryck, 70,5 % för förmaksflimmer och 81 % för kroniskt trötthetssyndrom. Även om dessa mätvärden inte är en direkt indikator på noggrannhet, bekräftar de modellens förmåga att korrekt urskilja riskfall. Studien visar således att även oregelbundna och ofullständiga data från bärbara enheter kan bidra avsevärt till tidig upptäckt av hälsoproblem.
