Kombinationen av artificiell intelligens och enheter som vi bär på handlederna hela dagen Det börjar ge resultat som för bara några år sedan lät nästan som science fiction. En grupp forskare har visat att en Apple Watch, med rätt data, kan göra mycket mer än att räkna steg eller mäta puls.
I ett nytt verk utvecklat av MIT-forskare och startupföretaget Empirical HealthEn AI-modell har skapats som kan upptäcka tecken på sjukdom från passiv bevakningsdata. Nyckeln ligger i hur denna ofta ofullständiga och oorganiserade data analyseras för att extrahera riskmönster som kan fungera som ett tidigt varningssystem.
En omfattande studie med miljontals dagars användning i verkligheten
För att träna detta system använde teamet en databas bestående av 16.522 användare Apple WatchAtt summera användningstiden för alla dem, en volym motsvarande cirka tre miljoner dagar av faktiska mätningar, en mängd information som skulle vara omöjlig att hantera med traditionella metoder.
Varje person genererade upp till 63 olika mätvärden relaterade till din hälsa, grupperade på flera fronter: kardiovaskulära parametrarandningsfunktion, sömnkvalitet, fysisk aktivitetsnivå och mer allmän statistik om deras dagliga rutin. Även om inte alla deltagare bar klockan regelbundet, var modellen utformad för att dra nytta av även dessa luckor.
En av de mest slående aspekterna är att Endast cirka 15 % av användarna hade en märkt sjukdomshistoria som indikerade specifika diagnoser. Med andra ord, den stora majoriteten av informationen kom inte med en sjukdomsetikett, något som i princip gör det mycket svårare att träna en pålitlig algoritm inom hälso- och sjukvården.
Långt ifrån att se detta som ett oöverstigligt hinder valde forskarna en strategi med självlärande eller självövervakningFörst tränades modellen med hjälp av hela databasen, utan behov av tidigare diagnoser. Senare förfinades den med endast den lilla delmängd av deltagare som hade sin sjukdomshistoria registrerad.
Tack vare detta tillvägagångssätt var det möjligt att dra nytta av en enorm mängd information som i andra sammanhang skulle ha ansetts vara "för bullrig" eller ofullständigResultatet är ett system som lär sig hur människor beter sig i sina dagliga liv, även när mätningar saknas eller det finns långa tomma perioder.
En AI som förstår luckorna i Apple Watch-data
Projektets hjärta är en AI-modell inspirerad av arkitektur JEPA (Joint Embedding Predictive Architecture)Detta är en familj av algoritmer som fokuserar på att förstå det övergripande sammanhanget snarare än att förutsäga en specifik information. Till skillnad från system som språkmodeller som försöker gissa nästa ord, är prioriteten här att bygga en sammanhängande representation av hela scenariot.
I praktiken förvandlade teamet varje Apple Watch-observation till en sorts token som inkluderade datum, typ av mätvärde och uppmätt värdeDärifrån tillämpades en maskeringsmekanism: delar av informationen doldes avsiktligt för att tvinga modellen att dra slutsatser om vad som kunde få plats i dessa luckor.
Istället för att försöka rekonstruera det exakta saknade numret lär sig AI:n Vad innebär avsaknaden av data inom varje persons globala mönster?Om någon går flera dagar utan att registrera sömn eller aktivitet, behandlar systemet det inte som ett enkelt misstag, utan som ytterligare ett beteendeelement som kan ha medicinsk relevans.
Detta är särskilt användbart med användbaraeftersom dess dagliga användning är allt annat än perfekt: Det finns dagar då klockan ligger kvar på nattduksbordet, andra då batteriet tar slut eller tillfällen då sensorn inte mäter korrekt.JETS, modellen som forskarna namngett, lär sig just från det kaoset och kan arbeta med mycket oregelbundna data.
Enligt de ansvariga för studien var många av de analyserade mätvärdena endast tillgängliga runt en 0,4 % av den totala tiden För vissa användare var registreringarna höga, medan andra var nästan dagliga. Även med denna skillnad lyckades AI:n extrahera användbara mönster som skulle ha gått obemärkta förbi med en mer traditionell analys.
Från teori till praktik: upptäckt av hypertoni och apné
När modellen hade tränats och förfinats testades den för att upptäcka specifika hälsotillståndMånga av dessa tillstånd var relaterade till hjärt-kärlproblem och sömnstörningar. Särskild uppmärksamhet ägnades åt högt blodtryck, sjuk sinussyndrom, sömnapné och kronisk trötthet.
I fallet med högt blodtryckAI:n kunde med avsevärd noggrannhet skilja mellan personer med och utan detta tillstånd. De publicerade resultaten indikerar en diskrimineringsgrad nära [procent saknas]. 86,8%Detta indikerar att modellen korrekt skiljer på vilka som är i riskzonen och vilka som inte är det baserat på de data som samlats in av klockan.
Effektiviteten var inte begränsad till detta specifika problem. Systemet visade också goda resultat i att identifiera mönster som är förenliga med sjuk sinussyndrom eller kroniskt trötthetssyndromDen uppnådde inte alltid högsta poäng mot alla referensmodeller, men den visade konsekvent en fördel när den arbetade med sådana oregelbundna poster.
Det är viktigt att klargöra att de mätvärden som används för att utvärdera modellen De räknar inte enkla "framgångar eller misslyckanden"utan snarare förmågan att prioritera fall utifrån sannolikhet för risk. Inom förebyggande hälsovård är det som verkligen spelar roll att prioritera de som kan behöva en kontroll innan tydliga symtom uppstår, snarare än att uppnå exakt noggrannhet vid varje diagnos.
Med andra ord beror nyttan av denna typ av AI på fungera som ett passivt screeningsystem vilket indikerar vilka användare som bör uppsöka läkare för en mer grundlig utvärdering. Det är där Apple Watch skulle kunna spela en relevant roll, och fungera som ett initialt filter som förlitar sig på till synes rutinmässiga mätningar.
Ofullkomliga data, men med stor hälsopotential
En av de slutsatser som forskarna betonar mest är att Ofullkomlig data är inte nödvändigtvis värdelösNär de hanteras på rätt sätt kan de ge värdefull information, särskilt när de samlas in under långa perioder och i verkliga sammanhang, borta från de kontrollerade förhållandena i ett laboratorium.
Denna studie har visat att även mycket sporadiska register kan bidra till att bygga en robust modell av en persons hälsotillstånd. Även om vissa mätvärden bara mäts vid sällsynta tillfällen, det övergripande mönstret av aktivitet, sömn och puls Det ger slutligen ledtrådar om möjliga underliggande problem.
Detta förstärker idén att smartklockor som Apple Watch kan spela en allt viktigare roll i kontinuerlig övervakningDet är inte nödvändigt att bära enheten dygnet runt eller att vara besatt av att spela in allt i detalj; nyckeln är att ha ett system som kan tolka det som spelas in korrekt.
Modellen utnyttjar just den fördelen: Den följer användaren i deras dagliga liv utan att kräva perfekt användning.Från den genererade datamängden bygger den en slags "karta" över varje persons hälsa, robust nog att upptäcka avvikelser som kan gå obemärkt förbi vid en engångskonsultation.
För europeiska hälso- och sjukvårdssystem, där arbetsbelastningen ständigt ökar, skulle den här typen av tillvägagångssätt kunna vara ett användbart stödverktyg. En algoritm som hjälpa till att prioritera fall eller identifiera tidiga risker Det skulle möjliggöra att mer resurser avsätts till dem som verkligen behöver dem, förutsatt att det integreras korrekt i klinisk praxis.
Begränsningar, kliniska utmaningar och läkarnas roll
Författarna själva betonar dock att Detta arbete är fortfarande inom forskningsområdetBara för att en modell presterar bra i en studie betyder det inte att den är redo att bli ytterligare en funktion i klockan eller att den bör ersätta bedömningen av en sjukvårdspersonal.
För närvarande är det inte slutgiltigt bevisat. hur skulle denna AI bete sig i verkliga kliniska miljöerdär många fler faktorer spelar in: skillnader mellan befolkningar, mycket olika användningsvanor, variationer i hur klockan bärs eller livsstilsförändringar som förändrar mätvärdena.
Det bör också noteras att, trots de goda diskrimineringssiffrorna, Systemet är långt ifrån ofelbart.Falskt positiva resultat, som skapar onödig oro, och falskt negativa resultat, där en relevant risk förbises, kan förekomma. Därför bör alla resultat som AI ger ses som en varningstecken, inte som en definitiv diagnos.
Rollen av Medicinsk personal är fortfarande avgörandeSpecifika diagnostiska tester, fysisk undersökning och hela den kliniska kontexten kan inte ersättas av en algoritm som arbetar med passiv data. AI kan hjälpa till att fokusera uppmärksamheten, men det slutgiltiga beslutet måste ligga hos en professionell person.
Till allt detta läggs integritets- och dataskyddsfrågorDetta är särskilt känsligt i Europa. Att tillåta ett system att kontinuerligt analysera sådan intim information som puls, sömnmönster eller daglig aktivitet kräver att man säkerställer en mycket hög säkerhetsnivå och strikt följer regler, såsom den allmänna dataskyddsförordningen (GDPR).
Vad betyder Apple Watch för framtidens sjukvård?
Trots försiktighetsåtgärderna visar studien tydligt att Förebyggande medicin kan förändras radikalt med hjälp av bärbara enheterAtt gå från enstaka kontroller till nästan konstant övervakning öppnar dörren för att upptäcka problem i tidigare skeden, när det fortfarande finns mer tid att agera.
Apple Watch erbjuder redan hälsorelaterade funktioner, som till exempel varningar om onormal puls, sömnspårning eller falldetekteringForskning av detta slag pekar mot en nästa fas, där enheten skulle kunna hjälpa till att upptäcka sjukdomar som högt blodtryck eller sömnapné på ett mycket mer sofistikerat sätt.
I det europeiska sammanhanget, där smartklockor har vunnit mark, skulle en sådan utveckling kunna passa in i fjärrövervakningsprogram eller i initiativ inom digital medicin som drivs av offentliga och privata system. Emellertid skulle ett samordnat arbete mellan tekniker, kliniker och tillsynsmyndigheter vara nödvändigt för att säkerställa en säker och effektiv utrullning.
Apples eget hälsoekosystem på iPhone pekar i den riktningen: företaget utvecklar sin hälsoapp från enbart ett datalager till en mer proaktiv assistent, kapabel att lyfta fram trender, varna för betydande förändringar och integrera rapporter med vårdcentraler när det är möjligt. Den integrationen med externa tjänster Det är en av de linjer som väcker mest intresse i branschen.
I vilket fall som helst, även om det tar tid för dessa funktioner att nå slutanvändaren, Det underliggande budskapet är tydligtData som genereras av smartklockor och aktivitetsmätare kan vara mycket mer än bara intressant statistik. Om de hanteras och skyddas på rätt sätt kan dessa data bli ett värdefullt verktyg för att bättre hantera vår hälsa, utan behov av ständiga personliga möten.
Allt tyder på att vi befinner oss i ett tidigt skede av ett annat sätt att förstå medicinsk övervakning, där en AI tränad med miljontals dagars Apple Watch-användning Den fungerar som en tyst radar som söker efter varningstecken bland annat puls, sömntimmar och vidtagna steg, medan vårdpersonal fortfarande har det sista ordet om vad de ska göra med den informationen.
