Apple создала ИИ, который определяет состояние здоровья человека с точностью до 92 %

Новое исследование, проведённое при поддержке Apple, показывает, что данные о поведении пользователя (движение, сон, упражнения и т.д.) могут быть более точными показателями состояния здоровья, чем традиционные биометрические измерения вроде частоты сердечных сокращений или уровня насыщения крови кислородом.

Для доказательства этого учёные разработали «фундаментальную» модель, обучив её на данных о поведении, собранных с носимых устройств. Результаты превзошли ожидания, сообщает 9to5mac.

В ходе исследования Wearable Behavior Model (WBM) изучила более чем 2,5 млрд данных с носимых устройств. В отличие от предыдущих медицинских моделей, которые в основном опирались на сырые данные датчиков пульсометра и ЭКГ Apple Watch, новая модель обучалась непосредственно на поведенческих показателях более высокого уровня: количестве шагов, стабильности походки, подвижности, максимальном потреблении кислорода и других метриках, которые собирает Apple Watch.

Зачем нужна WBM, если Apple Watch сами получают эти данные? По словам учёных, необработанные данные могут быть не совсем полными или избыточными и не всегда соотносятся с важными для здоровья событиями.

Высокоуровневые же поведенческие метрики рассчитываются проверенными алгоритмами и выбираются экспертами так, чтобы отражать физиологически значимые показатели. Учитывается не только физиология, но и «контекст». Например, показатели мобильности, характеризующие походку и общий уровень активности, могут быть важными поведенческими факторами, помогающими обнаружить беременность.

WBM изучает закономерности в обработанных данных поведения, а не напрямую анализирует сигналы сенсоров.

Модель обучали на данных Apple Watch и iPhone 161 855 участников. Изучались 27 поведенческих метрик, включая темп ходьбы, частоту дыхания, длительность сна, изменение сердечного ритма и т.д. Информацию разбили на недельные блоки и пропустили через ИИ.

В итоге WBM превзошла довольно точную модель, которая строит прогнозы на основе данных с датчиков, в 18 из 47 статических задач прогнозирования состояния здоровья (например, приём бета-блокаторов). Также новинка одержала победу почти во всех динамических задачах (определение беременности, качества сна или респираторной инфекции) кроме диагностики диабета.

Лучшую результативность показала комбинация двух методов: гибридная модель достигла точности в 92 % при обнаружении беременности и показала стабильный прирост точности по задачам сна, инфекций, травм и сердечно-сосудистых нарушений.