Introducción
En un destacado avance técnico y científico que fusiona el cuidado de la salud y la tecnología avanzada, la investigación de Google reveló el miércoles pasado el lanzamiento de un modelo fundamental innovador y pionero llamado «SensorFm», diseñado específicamente para gestionar datos de salud derivados de dispositivos portátiles. Este modelo avanzado ha sido preentrenado mediante algoritmos complejos con más de un billón de minutos de datos de diversos sensores, recopilados cuidadosamente de unos 5 millones de personas en todo el mundo. La empresa líder describe este paso como un salto cualitativo y un progreso real y tangible hacia la construcción de una inteligencia artificial de propósito general dedicada al monitoreo de la salud humana de manera continua e integral, abriendo horizontes sin precedentes en los campos del diagnóstico temprano y la prevención de enfermedades gracias a sus enormes capacidades analíticas que superan la capacidad humana de observación.
- Introducción
- Múltiples capacidades del modelo en el diagnóstico de enfermedades
- Innovación en la expansión de escala y el desarrollo del rendimiento
- Construcción de un agente de salud personal confiable
- Preguntas frecuentes
Múltiples capacidades del modelo en el diagnóstico de enfermedades
A diferencia de los modelos de salud tradicionales para dispositivos portátiles, los cuales suelen construirse para lograr un solo resultado médico específico a la vez, el modelo SensorFm destaca por su gran capacidad para aprender y representar el estado de la fisiología humana de manera integral y reutilizable en múltiples campos médicos. Esta representación exhaustiva y flexible se puede transferir y aplicar con gran eficiencia en una amplia gama de áreas de la salud, incluidas las enfermedades cardiovasculares, los trastornos metabólicos, los problemas crónicos de sueño, la salud mental, además de analizar factores del estilo de vida y diversas características demográficas de los usuarios. En su funcionamiento avanzado, el modelo se basa en la asimilación de 34 características combinadas medidas cada 1 minuto a partir de 5 modalidades diferentes de sensores disponibles. Estas mediciones biométricas precisas incluyen la frecuencia cardíaca, la saturación de oxígeno en sangre, la temperatura de la piel y el movimiento físico corporal, capturadas de forma continua desde dispositivos Fitbit y relojes Pixel Watch distribuidos ampliamente en más de 100 países de todo el mundo.
Para demostrar su alta eficiencia y confiabilidad, el modelo fue evaluado rigurosamente a través de 35 tareas diferentes de predicción de salud derivadas de 3 estudios clínicos independientes y confiables en los que participaron aproximadamente 14 000 participantes. Los resultados mostraron una superioridad notable del modelo, ya que al utilizar incrustaciones congeladas y una cabecera lineal ligera logró superar a las líneas base supervisadas y diseñadas por ingeniería en 34 de las 35 tareas probadas. Lo más importante de todo es que el modelo demostró una capacidad excepcional y única para detectar afecciones médicas sutiles y complejas como la depresión clínica y la ansiedad, trastornos psicológicos que normalmente dejan rastros muy tenues y son difíciles de detectar en los datos de los sensores tradicionales, lo que lo convierte en una herramienta de diagnóstico muy prometedora e histórica en el campo de la psiquiatría y la atención proactiva.
Innovación en la expansión de escala y el desarrollo del rendimiento
Este proyecto de investigación pionero fue supervisado por un distinguido equipo de expertos dirigido por el científico investigador principal Shane Liu y el científico de investigación fundamental Daniel McDuff. El equipo científico llegó a un descubrimiento importante: la expansión del tamaño del modelo cognitivo junto con el aumento del volumen de datos condujo a ganancias casi lineales en el rendimiento médico sin mostrar signos de saturación o disminución de la eficiencia. Se probó la variante más grande de este modelo, llamada SensorFm-B, y se entrenó intensivamente con el conjunto completo de 5 millones de personas. Los resultados demostraron categóricamente que este modelo más grande logró reducir la tasa de pérdida de reconstrucción en un 31 por ciento en comparación con el modelo más pequeño probado, y también mejoró el rendimiento de clasificación para las tareas finales en un promedio del 9 por ciento.
Para automatizar el proceso de adaptación y mejorar el rendimiento de forma autónoma, los investigadores crearon un entorno interactivo al que llamaron aula. Este aula consta de un grupo de agentes de modelos de lenguaje grande que colaboran entre sí para generar, probar y refinar de manera frecuente y continua las cabeceras de predicción basadas en las incrustaciones producidas por el modelo base. Este sistema inteligente exploró más de 30 000 soluciones candidatas a través de una serie intensiva de experimentos complejos, lo que permitió al modelo desarrollar sus propias capacidades de manera muy eficiente y a una velocidad que supera la capacidad humana de análisis y comparación.
Construcción de un agente de salud personal confiable
El potencial de este impresionante modelo se extiende a aplicaciones prácticas directas que sirven tanto a pacientes como a médicos. En un estudio evaluado rigurosamente por médicos clínicos especializados, la integración del modelo base en la interfaz de un agente de salud personal generó resúmenes médicos detallados y de alta calidad. Estos resúmenes inteligentes fueron evaluados como idénticos y completamente paralelos en calidad y precisión a los resúmenes basados en mediciones clínicas reales en todas las 5 dimensiones de evaluación aprobadas. Los médicos no registraron ninguna diferencia estadística perceptible entre las predicciones proporcionadas por el modelo inteligente y las etiquetas de referencia reales aprobadas médicamente como patrón de oro. Estos logros impresionantes se documentaron en un artículo de investigación sólido y revisado por pares titulado «Toward General Intelligence and an Interface for Wearable Health Data», publicado inicialmente en la plataforma abierta arXiv en mayo pasado, antes de ser anunciado formalmente y en detalle al público a través del prestigioso blog de investigación de Google el 9 de julio.
Preguntas frecuentes
Pregunta: ¿Cuál es el nuevo modelo de inteligencia artificial lanzado por Google en el campo de la salud?
Respuesta: Es un modelo avanzado de inteligencia artificial llamado SensorFm, entrenado con enormes cantidades de datos de salud recopilados de dispositivos portátiles para proporcionar un monitoreo de salud continuo y preciso, así como un diagnóstico proactivo para los usuarios.
Pregunta: ¿Cuál es el enorme volumen de datos utilizado para entrenar este modelo?
Respuesta: El modelo fue entrenado y alimentado con más de un billón de minutos de datos de diversos sensores, recopilados con el consentimiento de unos 5 millones de usuarios distribuidos en todo el mundo para garantizar la diversidad de la muestra.
Pregunta: ¿El trabajo del modelo se limita a diagnosticar un solo tipo de enfermedad física?
Respuesta: En absoluto, el modelo destaca por su superioridad para analizar indicadores asociados con enfermedades cardíacas, trastornos metabólicos e incluso predecir y detectar afecciones psicológicas muy complejas como la depresión y la ansiedad.
Pregunta: ¿Cuáles son los dispositivos a través de los cuales se recopilaron los datos para operar y construir este modelo?
Respuesta: Los datos de salud y los indicadores biométricos se recopilaron principalmente a través de millones de diversos dispositivos Fitbit y relojes inteligentes Pixel Watch utilizados por personas en más de 100 países diferentes.
