Siga o Olhar Digital no Google Discover
O MIT e a Empirical Health desenvolveram uma nova IA treinada com 3 milhões de dias de dados do Apple Watch. O objetivo é antecipar condições médicas com mais precisão.
A equipe utilizou informações coletadas de milhares de pessoas para criar um modelo capaz de identificar padrões mesmo quando os registros são irregulares ou incompletos, comenta o 9to5Mac.
Uma IA que entende dados faltando
A base do estudo é a arquitetura JEPA, proposta por Yann LeCun quando ainda era cientista-chefe de IA da Meta. A ideia central é ensinar o sistema a interpretar o significado de partes ausentes dos dados, em vez de tentar reconstruí-las literalmente. Isso permite que o modelo lide com lacunas comuns em informações de dispositivos vestíveis.
Em imagens, por exemplo, a JEPA trabalha mascarando parte do conteúdo e obrigando a IA a entender o contexto. O mesmo princípio foi adaptado para séries temporais, nas quais sono, atividade física, respiração e outros dados aparecem de forma irregular ao longo do tempo. Esse processo deu origem ao JETS, o modelo apresentado no estudo.
Treinamento feito com dados de mais de 16 mil pessoas
Os pesquisadores reuniram um conjunto longitudinal com dados de 16.522 indivíduos, somando 3 milhões de dias de dados. Cada participante teve 63 métricas diferentes registradas em níveis diários ou inferiores, classificadas em cinco domínios: cardiovascular, respiratório, sono, atividade física e estatísticas gerais.
Leia mais:
- Smartwatch usa IA para detectar problemas no coração
- Redmi Watch 6: conheça novo smartwatch da Xiaomi que promete 24 dias de bateria
- 7 coisas que você pode fazer no Apple Watch mesmo longe do seu iPhone
O ponto curioso é que apenas 15% tinham histórico médico rotulado. Ou seja, 85% do material seria descartado em abordagens tradicionais. Para contornar isso, o JETS passou por um pré-treinamento autossupervisionado com toda a base e só depois foi ajustado usando o subconjunto rotulado.
Para transformar tudo em algo utilizável, os cientistas criaram trios de dados — dia, valor e tipo de métrica — convertidos em tokens, mascarados e processados pelo modelo. O objetivo era prever a representação das partes ausentes a partir das observáveis.
Resultados mostram o potencial do Apple Watch na saúde
Ao comparar o JETS com modelos de referência (incluindo uma versão baseada em Transformer), a equipe mediu o desempenho usando AUROC e AUPRC — métricas que indicam a capacidade de distinguir casos positivos de negativos. O sistema alcançou destaque em várias áreas, com resultados 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.
Esses índices, como reforça o estudo, não medem precisão direta, mas sim a habilidade da IA de priorizar corretamente possíveis casos relevantes. Mesmo assim, o avanço chama atenção, especialmente porque algumas métricas eram registradas em apenas 0,4% dos dias — enquanto outras chegavam a 99%.
O trabalho reforça que técnicas modernas conseguem extrair valor até de conjuntos extremamente irregulares. E mais: mostram que dispositivos populares, como o Apple Watch, ainda têm muito a oferecer na área da saúde.
Por que esse estudo é importante?
- Aproveita dados que seriam descartados.
- Funciona bem mesmo com registros incompletos.
- Ajuda a detectar padrões de longo prazo.
- Pode melhorar diagnósticos e prevenção.
- Mostra o potencial de wearables como ferramentas médicas.
Tags: