O Massachusetts Institute of Technology (MIT), em parceria com a Empirical Health, desenvolveu uma nova inteligência artificial (IA) que utiliza uma vasta quantidade de dados coletados do Apple Watch. Este sistema foi treinado com 3 milhões de dias de informações com o intuito de prever condições de saúde com maior precisão.
A equipe de pesquisadores analisou dados de 16.522 indivíduos, resultando em um total de 63 métricas diferentes relacionadas à saúde, que foram registradas em diferentes campos. Essas métricas foram divididas em cinco categorias principais: saúde cardiovascular, saúde respiratória, padrões de sono, atividade física e estatísticas gerais. Um dado interessante é que apenas 15% dos participantes tinham um histórico médico previamente rotulado, o que significava que 85% das informações poderiam ser ignoradas por métodos tradicionais. Para contornar essa limitação, a nova IA passou por um processo de pré-treinamento autossupervisionado que utilizou todos os dados disponíveis, antes de ser aperfeiçoada com o subconjunto que possuía informações rotuladas.
A arquitetura da IA se baseia em um modelo chamado JEPA, que foi proposto por Yann LeCun. Essa metodologia ensina a IA a compreender o significado de informações ausentes, ao invés de tentar preenchê-las de forma literal. Isso é especialmente útil para lidar com lacunas comuns nos dados de dispositivos vestíveis, como o Apple Watch. Esse modelo evoluiu para o JETS, que permite que a IA faça previsões a partir das partes observáveis dos dados, mesmo quando há registros incompletos.
Os pesquisadores criaram trios de dados consistindo de dia, valor e tipo de métrica, que foram convertidos em tokens. Esse processo de mascaramento e análise ajudou a IA a aprender a inferir dados que estão faltando.
Na avaliação dos resultados, o modelo JETS foi comparado a outros métodos tradicionais de análise de dados, como uma versão baseada na arquitetura Transformer. Para medir a efetividade da IA, foram usadas métricas conhecidas como AUROC e AUPRC. O JETS se destacou em várias áreas, apresentando resultados impressionantes, como:
– 86,8% de AUROC para hipertensão arterial.
– 70,5% para flutter atrial.
– 81% para síndrome da fadiga crônica.
– 86,8% para síndrome do nó sinusal.
Embora esses índices não indiquem a precisão exata das previsões, eles demonstram a capacidade da IA de priorizar casos relevantes. É notável que algumas métricas foram registradas em apenas 0,4% dos dias, enquanto outras alcançaram 99%.
Esse estudo evidencia que mesmo dados irregulares podem ser valiosos para análises de saúde, e mostra o potencial significativo que dispositivos como o Apple Watch têm na área médica.
Além dos resultados obtidos, a pesquisa é importante por diversos motivos:
– Maximiza o uso de dados que poderiam ser descartados.
– É eficaz mesmo com informações incompletas.
– Facilita a identificação de padrões de saúde a longo prazo.
– Pode melhorar diagnósticos e estratégias de prevenção.
– Demonstra o potencial dos dispositivos vestíveis como ferramentas úteis na saúde.