Дослідники компанії Apple у співпраці з Університетом Південної Каліфорнії розробили нову модель штучного інтелекту (ШІ), яка аналізує дані про поведінку на основі сигналів сенсорів. Це дослідження є продовженням роботи Великого Дослідження Сервісів Серця та Руху Apple (AHMS) і має на меті визначити, чи можуть поведінкові дані, такі як шаблон сну та кількість пройдених кроків, слугувати кращим показником стану здоров’я людини, ніж традиційні індекси на кшталт частоти серцебиття або рівня кисню в крові. Згідно з публікацією, модель ШІ показала вражаючі результати, хоча з деякими зауваженнями.
Нові результати дослідження Apple свідчать про переваги використання альтернативних даних про здоров’я
Дослідження, що отримало назву «За межами сенсорних даних: основні моделі даних про поведінку з носимих пристроїв покращують прогнози здоров’я», було опубліковане в попередньому виданні на arXiv і ще не пройшло рецензування. Дослідники поставили собі завдання розробити модель ШІ, що отримала назву Модель Поведінки Носимого Пристрою (WBM), яка ґрунтується на оброблених даних про поведінку, таких як тривалість сну, цикли REM, щоденна кількість зроблених кроків і зміни в активності протягом тижня.
Традиційно для оцінки або прогнозування стану здоров’я людей дослідження з носимими пристроями зосереджувалися на сирих даних сенсорів, таких як постійний моніторинг частоти серцебиття, рівень кисню в крові та температура тіла. Дослідження вважає, що хоча ці дані можуть бути корисними, вони не завжди відображають повну картину особи і можуть містити невідповідності.
Попри це, до теперішнього часу поведінкові дані, які також обробляються більшістю носимих пристроїв, не використовувалися в системах як надійний показник стану здоров’я. Згідно з дослідженням, існують дві основні причини цього. По-перше, цей тип даних значно об’ємніший порівняно з даними сенсорів, що призводить до їхньої заплутаності. По-друге, створення алгоритмів і систем для збору та аналізу цих даних і надійного прогнозування стану здоров’я є надзвичайно складним завданням.
Саме тут на допомогу приходить велика мовна модель (LLM), яка допомагає вирішити проблему аналізу. Для усунення шуму в даних дослідники використовували структуровані та оброблені дані. Дані були отримані від понад 162,000 користувачів Apple Watch, які взяли участь у дослідженні AHMS, і становлять понад 2.5 мільярда годин носимих даних.
Після навчання модель ШІ використовувала 27 різних поведінкових показників, які були згруповані за категоріями, такими як активність, серцево-судинне здоров’я, сон та мобільність. Вона проходила тестування на 57 різних завданнях, пов’язаних зі здоров’ям, таких як виявлення медичних станів (цукровий діабет або серцеві захворювання) і відстеження тимчасових змін у здоров’ї (відновлення після травм або інфекцій). За результатами порівняння, дослідники стверджують, що WBM випередив базову точність у 39 із 47 результатів.
Отримані дані з моделі потім були порівняні з іншою тестовою моделлю, яка використовувала лише сирі дані про серце, відомі як фотоплетизмографічні (PPG) дані. Цікаво, що при порівнянні окремо не було явного переможця. Однак, коли дослідники об’єднали обидві моделі, точність прогнозування та аналізу здоров’я виявилася вищою.
Вчені вважають, що поєднання традиційних сенсорних даних із поведінковими може підвищити точність прогнозування станів здоров’я. Дослідження зазначає, що поведінкові метрики легше інтерпретувати, вони краще відповідають реальним результатам у сфері здоров’я і менш піддаються технічним помилкам.
Варто зазначити, що дослідження також вказало на ряд ключових обмежень. Дані були зібрані лише від користувачів Apple Watch у США, що не відображає ширшу глобальну популяцію. Крім того, через високу ціну носимих пристроїв, які точно збирають і зберігають поведінкові дані, доступність до профілактичного медичного обслуговування також стає викликом.