Google presenta un modelo de IA entrenado con un billón de minutos de datos de salud de dispositivos vestibles

Google Alphabet Inc. ↗ 0.78% Research presentó el miércoles SensorFM, un modelo base para la salud mediante dispositivos vestibles que fue preentrenado con más de un billón de minutos de datos de sensores de cinco millones de personas, marcando lo que la empresa describe como un paso hacia una IA de propósito general para el monitoreo continuo de la salud.research+1

Un único modelo para 35 tareas de salud

A diferencia de los modelos de salud convencionales para dispositivos vestibles creados para un resultado a la vez, SensorFM aprende una única representación reutilizable de la fisiología humana que se transfiere a través de dominios cardiovasculares, metabólicos, del sueño y de salud mental, así como factores demográficos y de estilo de vida. El modelo ingiere 34 características agregadas de un minuto de cinco modalidades de sensores —incluyendo frecuencia cardíaca, saturación de oxígeno en sangre, temperatura de la piel y movimiento— capturadas desde dispositivos Fitbit y Pixel Watch en más de 100 países.research

Al ser evaluado en 35 tareas de predicción de salud extraídas de tres estudios clínicos independientes que involucraron a casi 14,000 participantes, las incrustaciones (embeddings) congeladas de SensorFM con solo una cabeza lineal ligera superaron a las líneas base supervisadas diseñadas por características en 34 de las 35 tareas. El modelo demostró ser especialmente capaz de detectar afecciones como la depresión y la ansiedad que dejan rastros tenues en los datos de los sensores.alphasignal+1

Escalado sin saturación

El equipo de investigación, dirigido por el científico investigador sénior Xin Liu y el científico investigador del personal Daniel McDuff, descubrió que escalar tanto el tamaño del modelo como el volumen de datos juntos produjo ganancias de rendimiento casi lineales sin signos de saturación. La variante más grande, SensorFM-B, entrenada con el corpus completo de cinco millones de personas, redujo la pérdida de reconstrucción en un 31 por ciento respecto al modelo más pequeño y mejoró el rendimiento de clasificación posterior en un promedio del 9 por ciento.research

Para automatizar la adaptación, los investigadores construyeron un "aula" agentica de agentes LLM colaboradores que generan, prueban y refinan iterativamente cabezas de predicción en las incrustaciones de SensorFM, explorando más de 30,000 soluciones candidatas a través de experimentos.research

Fundamentando un Agente de Salud Personal

En un estudio evaluado por médicos, la integración de SensorFM en un Agente de Salud Personal produjo resúmenes calificados tan bien como aquellos basados en mediciones clínicas reales en las cinco dimensiones de evaluación, sin diferencias estadísticamente distinguibles entre las predicciones del modelo y las etiquetas de verdad fundamental. El documento subyacente, titulado "Towards a General Intelligence and Interface for Wearable Health Data", se publicó por primera vez en arXiv en mayo y se anunció formalmente a través del blog de Google Research el 9 de julio.arxiv+1