Новое исследование, при поддержке Apple, показало, что данные о поведении пользователя, собранные с носимых устройств (упражнения, сон, движение), могут быть более точными индикаторами состояния здоровья, чем традиционные биометрические измерения, вроде частоты сердечных сокращений или уровня насыщения крови кислородом.
Для подтверждения этой гипотезы, ученые разработали «фундаментальную» модель WBM (Wearable Behavior Model), которую обучали на поведенческих данных с носимых устройств. Как сообщает 9to5mac, результаты превзошли ожидания.
WBM изучила 2,5 миллиарда метрик, собранных с носимых устройств. В отличие от предыдущих моделей, которые собирали «сырые» данные датчиков, WBM обучалась на показателях более высокого уровня, то есть: количестве шагов, стабильности походки, подвижности, максимальном потреблении кислорода и подобных метриках, которые собирают Apple Watch.
Больше статей и видео в нашем Дзен-канале
Преимущество такого метода в том, что необработанные данные могут быть неполными, неточными или не всегда связаны с важными для здоровья событиями. А поведенческие метрики высокого уровня рассчитываются с использованием проверенных алгоритмов, а также вручную выбираются экспертами для отражения физиологически значимых показателей с учетом контекста. Например, по показателям мобильности, изменениям походки и уровня активности можно обнаружить беременность.
В этом и есть главная особенность WBM: она не анализирует данные сенсоров напрямую, а получает уже обработанные данные, обнаруживает в них закономерности и динамику. Модель обучалась на iPhone и Apple Watch 161855 участников, а для обучения использовались 27 основных поведенческих метрик, включая темп ходьбы, частоту дыхания, длительность сна, изменение сердечного ритма и т.д. Информация была разбита на недельные блоки и передана ИИ.
В итоге, WBM превзошла точную модель, основанную на данных с датчиков, в 18 из 47 статических задачах прогнозирования состояния здоровья (например, прием бета-блокаторов). Однако она победила практически во всех динамических задачах, в том числе – определении беременности, качества сна и даже респираторной инфекции. Не справилась она только с диагностикой диабета.
Соединив две эти модели, получился гибрид, который точно определял состояние здоровья испытуемых в 92% случаев.
