- Nová studie využila data z Apple Watch k vytvoření modelu pro predikci zdravotních rizik
- Model JETS dokáže efektivně pracovat i s nekompletními či nepravidelnými daty
- Výsledky ukazují významné zlepšení v odhalování stavů jako hypertenze, fibrilace síní nebo chronická únava
Výzkumníci z MIT a společnosti Empirical Health představili průlomový model založený na datech z Apple Watch. Výzkum využil ohromných 3 milionů dnů měření jednotlivců (person-days) a ukazuje, jak mohou chytré hodinky zásadně přispět k predikci zdravotních stavů – dokonce i v situacích, kdy data nejsou úplná nebo mají mezery.
Co stojí za modelem JETS?
Tento nový systém s názvem JETS (Joint Embedding Time Series foundation model) vychází z architektury JEPA – Joint-Embedding Predictive Architecture, kterou navrhl Yann LeCun ještě během svého působení ve společnosti Meta. JEPA učí AI porozumět významu chybějících dat, místo aby se snažila dopočítat jejich přesné hodnoty.
Jednoduše to lze vysvětlit na situaci, kdy je například část fotografie zakrytá, model neháda pixely „doslova“, ale snaží se z pochopeného kontextu určit, co tato část reprezentuje.
Tento přístup se stal základem pro oblast tzv. „world models“ – techniky, které se nesoustředí na pouhou predikci tokenů jako u GPT, ale na pochopení toho, jak svět funguje. Je natolik slibný, že sám LeCun Metu opustil a založil firmu zaměřenou výhradně na tyto modely, které označuje jako cestu k AGI.
Nepravidelná data jako cenný zdroj zdravotních informací
Studie využila dlouhodobá data od 16 522 uživatelů, u nichž se denně či s nižší frekvencí zaznamenávalo 63 různých metrik spadajících do pěti oblastí:
- kardiovaskulární zdraví
- respirační funkce
- spánek
- fyzická aktivita
- obecná statistická měření
Zásadní je, že pouze 15 % účastníků mělo zdravotní záznamy, které by bylo možné použít pro klasické učení. Díky samo-naučnému pre-tréninku ale model dokázal využít všechna dostupná data, včetně těch neoznačených. Každé pozorování bylo převedeno na token (den + hodnota + typ metriky), zakryto maskováním a zpracováno tak, aby model dokázal predikovat význam chybějících dat.
Výsledky, které stojí za pozornost
Výzkumníci JETS následně porovnali s dalšími modely a hodnotili jeho schopnosti pomocí standardních metrik AUROC a AUPRC. Ty nehodnotí přesnost, ale schopnost modelu správně rozlišovat rizikové případy.
Ne vždy byl JETS nejlepší, ale výhody jsou podle vědců jasně patrné. Model dokázal odhalovat rizikové stavy i z velmi sporadických měření – některé metriky se zaznamenávaly pouze v 0,4 % dnů, zatímco jiné téměř neustále.
Budoucnost zdravotní péče možná nosíme na zápěstí
Studie ukazuje, že existuje značně nevyužitý potenciál v datech, která už dnes chytré hodinky sbírají – ačkoliv je nenosíme neustále a měření nemusí být kompletní. Nové architektury jako JEPA a JETS mohou tato „nekompletní“ data proměnit v nástroj, který může včas zachytit závažná onemocnění a zlepšit prevenci i léčbu. Výše uvedenou studii si můžete v celém jejím znění přečíst zde.
