Las funciones de salud en la tecnología vestible está tomando una altura insospechada, ya que muy pronto un reloj inteligente podría avisarte, por ejemplo, de un embarazo. Y eso que requiere tanta precisión podría estar resultando con los cruces de datos de un Apple Watch, tal como indica un nuevo estudio respaldado por Apple.
Apple sostiene que los datos de comportamiento (movimiento, sueño, ejercicio, etc.) a menudo pueden ser una señal de salud más fuerte que las mediciones biométricas tradicionales, como la frecuencia cardíaca o el oxígeno en sangre. Para demostrarlo, los investigadores desarrollaron un modelo de base entrenado con datos de comportamiento recopilados de dispositivos portátiles.
Entrenaron un nuevo modelo de base con más de 2.500 millones de horas de datos portátiles y lo llamaron WBM, que significa Wearable Behavior Model.
Qué hace el modelo WBM de Apple
Mientras que los modelos anteriores de bases relacionadas con la salud se basaban principalmente en flujos de sensores sin procesar como el sensor de frecuencia cardíaca del Apple Watch (PPG o fotopletismógrafo) o su electrocardiógrafo (ECG), WBM aprende directamente de métricas de comportamiento de nivel superior: recuento de pasos, estabilidad de la marcha, movilidad, VO₂ máx., etc. Todo lo cual el Apple Watch produce en abundancia.
Y acá es donde viene la explicación para determinar, por ejemplo, que WBM pueda detectar un embarazo, con hasta un 92% de precisión.
Un aspecto importante de la monitorización de la salud es la detección de un estado de salud estático, por ejemplo, si alguien tiene antecedentes de tabaquismo, tiene un diagnóstico previo de hipertensión o está tomando un betabloqueante. Otro problema crucial es detectar un estado de salud transitorio, como la calidad del sueño de alguien o si alguien está embarazada actualmente. Una propiedad clave de los datos necesarios para estas predicciones es que, por lo general, se encuentran en la resolución temporal del comportamiento humano (por ejemplo, días y semanas) en lugar de en las escalas de tiempo de nivel inferior (por ejemplo, segundos) en las que se recopilan datos brutos de sensores de dispositivos portátiles (…).
Aunque la mayoría de los trabajos anteriores han considerado el modelado de datos de sensores de bajo nivel (o características simples de los mismos), la información de comportamiento de alto nivel de los dispositivos portátiles, como la actividad física, la aptitud cardiovascular y las métricas de movilidad, son el tipo de datos natural para ayudar a resolver estas tareas de detección. A diferencia de los sensores sin procesar, estas métricas de comportamiento de nivel superior se calculan utilizando algoritmos cuidadosamente validados derivados de los sensores sin procesar. Estas métricas son elegidas intencionalmente por los expertos para alinearse con cantidades y estados de salud fisiológicamente relevantes. Es importante destacar que estos datos son sensibles a los comportamientos de un individuo, en lugar de estar impulsados únicamente por la fisiología. Estas características hacen que los datos de comportamiento sean especialmente prometedores para este tipo de tareas de detección de la salud. Por ejemplo, las métricas de movilidad que caracterizan la marcha, la marcha y los niveles generales de actividad pueden ser factores conductuales importantes para ayudar a detectar un estado de salud cambiante, como el embarazo”.
Si bien las métricas utilizadas por WBM se basan en los datos de los sensores, los datos se refinan para resaltar los comportamientos del mundo real y las tendencias relevantes para la salud.
WBM se entrenó con datos de Apple Watch y iPhone de 161.855 participantes en AHMS. En lugar de transmisiones en bruto, el modelo se alimentó con 27 métricas de comportamiento interpretables por humanos, como la energía activa, el ritmo al caminar, la variabilidad de la frecuencia cardíaca, la frecuencia respiratoria y la duración del sueño.
Cuando se evaluó en 57 tareas relacionadas con la salud, el WBM superó a un modelo sólido basado en PPG (modelo basal del Apple Watch) en 18 de las 47 tareas estáticas de predicción de la salud (como si alguien toma betabloqueantes) y en todas menos una de las tareas dinámicas (como la detección del embarazo, la calidad del sueño o la infección respiratoria). La excepción fue la diabetes, para la que solo ganó el PPG.
Aún mejor: la combinación de representaciones de datos WBM y PPG produjo los resultados más precisos en general. El modelo híbrido logró una enorme precisión del 92% para la detección de embarazos y ganancias consistentes en la calidad del sueño, infecciones, lesiones y tareas relacionadas con enfermedades cardiovasculares, como la detección de fibrilación auricular.
