Kombinācija no mākslīgais intelekts un ierīces, kuras mēs visu dienu valkājam uz plaukstas locītavas sāk dot rezultātus, kas pirms dažiem gadiem izklausījās gandrīz kā zinātniskā fantastika. Pētnieku grupa ir pierādījusi, ka ar pareiziem datiem Apple Watch var sniegt daudz vairāk nekā soļu skaitīšanas vai sirdsdarbības ātruma mērīšanas.
Jaunā darbā, ko izstrādājis pētnieki no MIT un starta Empirical Healthir izveidots AI modelis, kas spēj noteikt slimības pazīmes no pasīvā pulksteņa ierakstiem. Galvenais ir tas, kā šie dati, kas bieži vien ir nepilnīgi un nesakārtoti, tiek analizēti, lai iegūtu riska modeļus, kas var kalpot kā agrīns brīdinājums.
Milzīgs pētījums ar miljoniem dienu reālu izmantošanu
Lai apmācītu šo sistēmu, komanda izmantoja datu bāzi, kas sastāvēja no 16 522 Apple Watch lietotāji. Pieskaitot to visu lietošanas laiku, apjoms, kas līdzvērtīgs aptuveni trīs miljoni dienu faktisko mērījumuinformācijas apjoms, ko nebūtu iespējams apstrādāt ar tradicionālajām metodēm.
Katrs cilvēks ģenerē līdz 63 dažādi rādītāji, kas saistīti ar jūsu veselībukas sagrupēti vairākās frontēs: sirds un asinsvadu un elpošanas parametri, miega kvalitāte, fiziskās aktivitātes līmenis un vispārīgāka statistika par jūsu ikdienas rutīnu. Lai gan ne visi dalībnieki konsekventi valkāja pulksteni, modelis tika izstrādāts, lai izmantotu pat šīs nepilnības.
Viens no visspilgtākajiem aspektiem ir tas tikai aptuveni 15% lietotāju bija marķēta slimības vēsture kas norāda uz konkrētām diagnozēm. Tas nozīmē, ka lielākajai daļai datu nebija pievienots slimības marķējums, kas principā apgrūtina uzticama algoritma apmācību veselības aprūpes jomā.
Tālu uzskatot, ka tas ir nepārvarams šķērslis, pētnieki izvēlējās stratēģiju pašmācība vai paškontrole. Pirmkārt, modelis tika apmācīts ar visu datu bāzi, bez nepieciešamības veikt iepriekšēju diagnostiku. Vēlāk tas tika precizēts, izmantojot tikai nelielu dalībnieku apakškopu, kuru slimības vēsture tika reģistrēta.
Pateicoties šai pieejai, bija iespējams izmantot priekšrocības milzīgs informācijas apjoms, kas citos kontekstos tiktu uzskatīts par “pārāk trokšņainu” vai nepilnīgu. Rezultāts ir sistēma, kas uzzina, kā cilvēki uzvedas ikdienā, pat ja trūkst mērījumu vai ir ilgi tukšie periodi.
AI, kas saprot nepilnības Apple Watch datos
Projekta pamatā ir AI modelis, ko iedvesmojusi arhitektūra JEPA (Joint Embeding Predictive Architecture)algoritmu saime, kas vērsta uz vispārējā konteksta izpratni, nevis konkrētu datu prognozēšanu. Salīdzinājumā ar tādām sistēmām kā valodu modeļi, kas mēģina uzminēt nākamo vārdu, šeit prioritāte ir izveidot saskaņotu visa scenārija attēlojumu.
Praksē komanda katru Apple Watch novērojumu pārveidoja par sava veida marķieri, kas ietvēra datums, metrikas veids un izmērītā vērtība. No turienes tika izmantots maskēšanas mehānisms: informācijas daļas tika apzināti paslēptas, lai piespiestu modeli secināt, kas varētu rasties šajās spraugās.
Tā vietā, lai mēģinātu rekonstruēt precīzu trūkstošo skaitli, AI mācās Ko nozīmē datu trūkums katras personas globālajā modelī?. Ja kāds vairākas dienas nereģistrē miegu vai aktivitātes, sistēma to neuzskata par vienkāršu kļūdu, bet gan kā citu uzvedības elementu, kam var būt medicīniska nozīme.
Tas ir īpaši noderīgi ar valkājamie priekšmetijo tā ikdienas lietošana nav ideāla: Ir dienas, kad atstājat pulksteni uz naktsgaldiņa, citas, kad beidzas akumulators, vai reizes, kad sensors nemēra labi.. JETS, pētnieku nosauktais modelis, precīzi mācās no šī haosa un spēj darboties ar ļoti neregulāriem datiem.
Saskaņā ar to, kas ir atbildīgi par pētījumu, daudzi analizētie rādītāji bija pieejami tikai ap a 0,4% no kopējā laika dažiem lietotājiem, savukārt citi pieteicās gandrīz katru dienu. Pat ar šīm atšķirībām AI izdevās izcelt noderīgus modeļus, kas būtu palikuši nepamanīti ar tradicionālāku analīzi.
No teorijas līdz praksei: hipertensijas un apnojas noteikšana
Kad modelis tika apmācīts un pilnveidots, tas tika pārbaudīts noteikšanā īpaši veselības stāvokļidaudzi no tiem saistīti ar sirds un asinsvadu problēmām un miega traucējumiem. Īpaša uzmanība tika pievērsta hipertensijai, slimu sinusa sindromam, apnojai un hroniskam nogurumam.
Gadījumā, augsts asinsspiediensAI spēja diezgan precīzi atšķirt cilvēkus ar un bez šī stāvokļa. Publicētie rezultāti runā par diskriminācijas procentuālo attiecību tuvu 86,8%kas norāda, ka modelis diezgan pareizi nošķir, kurš ir apdraudēts un kurš nebalstās uz pulksteņa savāktajiem datiem.
Efektivitāte neaprobežojās tikai ar šo konkrēto problēmu. Sistēma arī parādīja laba veiktspēja, identificējot modeļus, kas ir saderīgi ar sinusa sindromu vai hroniska noguruma simptomiem. Tas ne vienmēr ieguva labāko rezultātu salīdzinājumā ar visiem atsauces modeļiem, taču tas sniedza konsekventu priekšrocību, strādājot ar šādiem neregulāriem ierakstiem.
Ir svarīgi precizēt, ka modeļa novērtēšanai izmantotie rādītāji Viņi neskaita vienkāršus “trāpījumus vai netrāpījumus”bet iespēja sakārtot lietas pēc riska varbūtības. Profilaktiskajā veselības jomā patiesi svarīgi ir piešķirt prioritāti tiem, kuriem var būt nepieciešama pārbaude, pirms parādās skaidri simptomi, nevis precīzi noteikt katru diagnozi.
Citiem vārdiem sakot, šāda veida AI lietderība ir atkarīga no darbojas kā pasīva skrīninga sistēma kas norāda, kuriem lietotājiem vajadzētu vērsties pie ārsta, lai veiktu rūpīgāku novērtējumu. Tieši šeit Apple Watch varētu spēlēt nozīmīgu lomu, kalpojot kā pirmais filtrs, kas izmanto šķietami rutīnas mērījumus.
Nepilnīgi dati, bet ar lielu veselības potenciālu
Viens no secinājumiem, ko pētnieki izceļ visvairāk, ir tas nepilnīgi dati ne vienmēr ir bezjēdzīgi. Labi apstrādāti, tie var sniegt vērtīgu informāciju, īpaši, ja tie tiek savākti ilgstoši un reālās dzīves kontekstā, tālu no kontrolētajiem laboratorijas apstākļiem.
Šis darbs ir parādījis, ka pat ļoti sporādiski ieraksti var palīdzēt izveidot stabilu cilvēka veselības stāvokļa modeli. Lai gan ir rādītāji, kas tiek mērīti tikai retos gadījumos, kopējo aktivitātes modeli, miegu un sirdsdarbības ātrumu galu galā piedāvā norādes uz iespējamām pamatproblēmām.
Tas pastiprina domu, ka viedpulksteņi, piemēram, Apple Watch var spēlēt arvien nozīmīgāku lomu nepārtrauktā uzraudzībā. Nav nepieciešams nēsāt ierīci 24 stundas diennaktī vai aizrauties ar visu detalizētu ierakstīšanu; Būtiski, lai būtu sistēma, kas spēj pareizi interpretēt ierakstīto.
Modelis izmanto tieši šo priekšrocību: pavada lietotāju ikdienas dzīvē, neprasot perfektu lietošanu. No ģenerēto datu kopas tā izveido sava veida katras personas veselības “karti”, kas ir pietiekami stabila, lai atklātu anomālijas, kuras varētu palikt nepamanītas konkrētā konsultācijā.
Eiropas veselības aprūpes sistēmām, kur aprūpes slogs pieaug, šāda pieeja varētu būt atbalsta instruments. Algoritms, kas Palīdziet noteikt prioritāti gadījumiem vai iezīmējiet agrīnus riskus Tas ļautu vairāk līdzekļu veltīt tiem, kam tie patiešām ir vajadzīgi, ja vien tas ir atbilstoši integrēts klīniskajā praksē.
Ierobežojumi, klīniskās problēmas un ārstu loma
Tomēr paši autori to uzsver Šis darbs joprojām ir pētniecības jomā. Tas, ka modelis piedāvā labus rezultātus pētījumā, nenozīmē, ka tas ir gatavs kļūt par citu pulksteņa funkciju vai ka tam vajadzētu aizstāt veselības aprūpes speciālista novērtējumu.
Pagaidām tas nav pārliecinoši pierādīts kā šis AI uzvesties reālos klīniskos apstākļoskur ietekmē daudz vairāk faktoru: atšķirības starp populācijām, ļoti atšķirīgi lietošanas paradumi, atšķirības pulksteņa nēsāšanas veidā vai dzīvesveida izmaiņas, kas maina rādītājus.
Jāņem vērā arī tas, ka, neskatoties uz labajiem diskriminācijas procentiem, sistēma nebūt nav nekļūdīga. Var būt kļūdaini pozitīvi rezultāti, kas rada nevajadzīgas bažas, un viltus negatīvi rezultāti, kuros attiecīgais risks netiek ņemts vērā. Tāpēc jebkuri AI piedāvātie rezultāti ir jāuztver kā brīdinājuma signāls, nevis slēgta diagnoze.
Lomu medicīnas personāls joprojām ir būtisks. Specifiskus diagnostikas testus, fizisko izmeklēšanu un pilnīgu klīnisko kontekstu nevar aizstāt ar algoritmu, kas darbojas no pasīviem datiem. AI var palīdzēt koncentrēt uzmanību, taču galīgais lēmums ir jāpieņem profesionālim.
Tam visam pievienots privātuma un datu aizsardzības jautājumiīpaši jutīga Eiropā. Lai sistēma varētu nepārtraukti analizēt tik intīmu informāciju kā pulss, miegs vai ikdienas aktivitātes, ir jāgarantē ļoti augsts drošības līmenis un stingra atbilstība noteikumiem, piemēram, Vispārīgajai datu aizsardzības regulai (VDAR).
Ko tas nozīmē Apple Watch veselības nākotnei
Papildus brīdinājumiem pētījums to skaidri parāda Profilaktiskā medicīna var radikāli mainīties ar valkājamo apģērbu palīdzību. Pārejot no īpašiem pārskatiem uz gandrīz pastāvīgu uzraudzību, tiek atvērtas iespējas atklāt problēmas agrākos posmos, kad vēl ir vairāk iespēju rīkoties.
Apple Watch jau piedāvā ar veselību saistītas funkcijas, piemēram, brīdinājumi par patoloģisku sirdsdarbības ātrumu, miega ieraksti vai kritiena noteikšana. Šāda veida pētījumi norāda uz nākamo posmu, kurā ierīce varētu sadarboties tādu traucējumu kā hipertensijas vai miega apnojas noteikšanā daudz sarežģītākā veidā.
Eiropas vidē, kur viedie pulksteņi arvien vairāk nostiprinājušies, šāda attīstība varētu būt iekļaujas attālinātās uzraudzības programmās vai digitālās medicīnas iniciatīvās, ko veicina valsts un privātās sistēmas. Protams, būtu nepieciešams saskaņots darbs starp tehnologiem, ārstiem un regulatoriem, lai izvietošana notiktu ar garantijām.
Apple veselības ekosistēma iPhone ierīcē norāda uz šo virzienu: uzņēmums attīsta savu veselības lietotni no vienkāršas datu krātuves uz aktīvāks palīgskas spēj izcelt tendences, paziņot par būtiskām izmaiņām un, ja iespējams, integrēt ziņojumus ar medicīnas centriem. Šī integrācija ar ārējiem pakalpojumiem ir viena no līnijām, kas nozarē izraisa vislielāko interesi.
Jebkurā gadījumā, pat ja šīm funkcijām ir vajadzīgs laiks, lai tās sasniegtu galalietotāju, pamatā esošais vēstījums ir skaidrs: viedo pulksteņu un rokassprādžu ģenerētie dati var būt daudz vairāk nekā interesanta statistika. Labi apstrādāti un aizsargāti, tie varētu kļūt par vērtīgu līdzekli, lai labāk rūpētos par mūsu veselību, bez nepieciešamības pastāvīgi apmeklēt klātienes konsultācijas.
Viss liecina, ka esam sākumposmā citāda veida izpratnei par medicīnisko uzraudzību, kurā AI, kas apmācīts miljoniem Apple Watch dienu Tas darbojas kā kluss radars, kas meklē brīdinājuma zīmes starp sirdsdarbības ātrumu, miega stundām un veiktajiem soļiem, savukārt veselības aprūpes speciālistiem joprojām ir galīgais vārds par to, ko darīt ar šo informāciju.
