SensorFM de Google: Un modelo fundacional para la inteligencia de salud universal

Google Research ha presentado SensorFM, un innovador modelo fundacional diseñado para transformar los datos fragmentados de sensores de dispositivos vestibles (wearables) en una capa unificada de inteligencia de salud. Al aprovechar conjuntos de datos masivos, este modelo va más allá del seguimiento de un solo propósito para proporcionar una comprensión integral de la fisiología y el comportamiento humano.

Más allá de las métricas de wearables aisladas

La tecnología wearable actual suele depender de un enfoque "aislado" (siloed): un algoritmo detecta las etapas del sueño, otro estima el riesgo cardiovascular y un tercero monitoriza el estrés. Esta arquitectura fragmentada es ineficiente y tiene dificultades para proporcionar una visión holística de la salud del usuario.

SensorFM tiene como objetivo reemplazar estos modelos desconectados con una base de IA compartida. Está diseñado para procesar datos de sensores continuos, a menudo con "huecos" o incompletos, para responder a una amplia gama de preguntas de salud. Este cambio permite la creación de asistentes de salud de IA personalizados que poseen un profundo conocimiento contextual del estado fisiológico del usuario.

Escala masiva e integración de datos multimodales

La escala del preentrenamiento de SensorFM no tiene precedentes en el espacio de los wearables. Los investigadores de Google utilizaron más de un billón de minutos de datos de sensores multimodales recopilados de cinco millones de usuarios de Fitbit y Pixel Watch en más de 100 países. Este conjunto de datos representa la colección de datos de wearables más grande y diversa jamás utilizada para entrenar un modelo de este tipo.

El modelo procesa 34 características distintas derivadas de cinco tipos de sensores principales:

• Monitorización óptica de la frecuencia cardíaca (PPG): Seguimiento de la frecuencia cardíaca y la variabilidad de la frecuencia cardíaca.
• Aceleración: Monitorización del movimiento físico y la actividad.
• Conductancia de la piel: Medición de las respuestas fisiológicas.
• Temperatura de la piel: Seguimiento de los cambios térmicos.
• Altitud barométrica: Detección de cambios en la elevación.

Para gestionar el "ruido" inherente de los datos de los wearables, SensorFM utiliza una técnica llamada "Adaptive and Inherited Masking" (AIM). Esto permite al modelo distinguir entre puntos de datos genuinamente ausentes y aquellos enmascarados artificialmente durante el entrenamiento, lo que le permite reconstruir y comprender flujos de datos incompletos.

Rendimiento superior en 35 tareas de salud

En pruebas rigurosas frente a 35 tareas de predicción diferentes —que abarcan salud mental, salud cardiovascular, marcadores metabólicos y sueño— SensorFM demostró una versatilidad notable. Al probarse en un conjunto de datos independiente de casi 14.000 participantes, modelos sencillos específicos para cada tarea, construidos sobre las representaciones de SensorFM, superaron a las líneas de base supervisadas tradicionales en 34 de las 35 categorías.

Además, el modelo demostró ser altamente "eficiente en etiquetas" (label-efficient). Debido a que ya ha aprendido los patrones fundamentales de la fisiología humana durante el preentrenamiento, requiere significativamente menos ejemplos etiquetados para adaptarse a tareas nuevas y específicas. Esta capacidad es particularmente vital para monitorizar rasgos complejos y altamente individuales, como la ansiedad o la depresión.

Impulsando la próxima generación de agentes de salud de IA

Quizás la implicación más significativa de SensorFM sea su integración con modelos de lenguaje de gran tamaño (LLMs) como Gemini. En configuraciones experimentales, SensorFM proporcionó contexto fisiológico a un agente de salud de IA, que luego generó resúmenes de salud para que los médicos los revisaran.

Los resultados fueron sorprendentes: los resúmenes aumentados con las predicciones de SensorFM obtuvieron puntuaciones significativamente más altas que los resúmenes de referencia en cinco dimensiones críticas: contexto, personalización, justificabilidad, relevancia y seguridad. Cabe destacar que el rendimiento de la IA utilizando las predicciones de SensorFM fue estadísticamente comparable al uso de datos de salud clínicos reales, lo que sugiere que los modelos fundacionales pronto podrían proporcionar un contexto de alta fidelidad para el asesoramiento de salud digital personalizado.

Conclusiones clave

• Inteligencia unificada: SensorFM reemplaza los algoritmos de salud fragmentados y de un solo propósito con un único modelo fundacional capaz de manejar 35 tareas de salud y comportamiento diferentes.
• Escala inigualable: El modelo fue preentrenado con un billón de minutos de datos multimodales de cinco millones de usuarios, lo que lo convierte en el conjunto de datos más grande de su tipo.
• Contexto de IA mejorado: Al alimentar los LLM con conocimientos fisiológicos, SensorFM permite obtener resúmenes de salud y asistentes digitales altamente personalizados y clínicamente relevantes.