Um novo estudo, realizado por investigadores do MIT e da Empirical Health, demonstrou o potencial massivo dos dados recolhidos pelos nossos smartphones e relógios para prever condições médicas complexas. Utilizando um conjunto de dados colossal, equivalente a 3 milhões de dias de utilização do Apple Watch por mais de 16.000 pessoas, a equipa desenvolveu um modelo de fundação de inteligência artificial capaz de prever doenças com uma precisão impressionante.
O modelo, denominado JETS, destaca-se não apenas pelos resultados, mas pela forma inovadora como aprendeu a lidar com os dados incompletos e irregulares que são típicos da utilização real de dispositivos wearable.
JETS: a IA que aprende a “preencher as lacunas”
O grande desafio dos dados de saúde recolhidos por wearables é a sua inconsistência. As pessoas tiram o relógio para dormir, esquecem-se de o carregar ou simplesmente não registam certas atividades. Tradicionalmente, isto tornaria os dados difíceis de usar.
Para resolver isto, os investigadores adaptaram uma arquitetura pioneira chamada JEPA (Joint-Embedding Predictive Architecture), proposta originalmente por Yann LeCun, o ex-cientista chefe de IA da Meta.
- A Filosofia JEPA: Em vez de tentar adivinhar os dados exatos que faltam, o modelo aprende a prever o significado ou a representação abstrata desses dados em falta, baseando-se no contexto visível.
- A Aplicação no JETS: O modelo foi treinado para analisar séries temporais irregulares (como batimentos cardíacos, sono e atividade física) e aprender padrões comportamentais profundos, mesmo quando existiam grandes lacunas de informação.
Resultados impressionantes: prever hipertensão e fadiga crónica
O estudo utilizou dados de 16.522 indivíduos, monitorizando 63 métricas distintas de saúde. O mais notável é que apenas 15% destes participantes tinham históricos médicos rotulados para avaliação. O modelo JETS teve de aprender a “entender” a saúde humana de forma auto-supervisionada usando os dados dos restantes 85%, antes de ser afinado para diagnósticos específicos.
Os resultados foram promissores. O JETS conseguiu prever condições com pontuações elevadas (usando a métrica AUROC):
- Hipertensão: 86.8%
- Síndrome do Doente Sinusal: 86.8%
- Síndrome de Fadiga Crónica: 81%
- Flutter Atrial: 70.5%
Estes números indicam que o modelo é altamente eficaz a classificar e priorizar casos prováveis, transformando dados “ruidosos” e incompletos em insights médicos valiosos.
Este estudo reforça a ideia de que o Apple Watch no teu pulso não é apenas um monitor de fitness; é uma fonte de dados que, quando analisada pelas ferramentas de IA certas, pode ajudar a detetar doenças silenciosas muito antes de os sintomas se tornarem óbvios.
Outros artigos interessantes:
