Uma nova pesquisa apoiada pela Apple mostra que os dados de comportamento do usuário (movimento, sono, exercícios, etc.) podem ser um indicador de saúde mais preciso do que as medições biométricas tradicionais, como frequência cardíaca ou níveis de saturação de oxigênio no sangue.
Para comprovar isso, os cientistas desenvolveram um modelo “fundamental”, treinando-o com dados comportamentais coletados de dispositivos vestíveis. Os resultados superaram as expectativas, relata o 9to5mac.
O estudo examinou mais de 2,5 bilhões de pontos de dados de dispositivos vestíveis. Ao contrário dos modelos de saúde anteriores, que se baseavam principalmente em dados brutos dos sensores de frequência cardíaca e ECG do Apple Watch, o novo modelo foi treinado diretamente com base em métricas comportamentais de nível superior: contagem de passos, estabilidade da marcha, agilidade, VO2 máximo e outras métricas coletadas pelo Apple Watch.
Por que precisamos do WBM se o Apple Watch obtém os dados sozinho? Segundo cientistas, os dados brutos podem ser incompletos ou redundantes e nem sempre se correlacionam com eventos importantes de saúde.
Métricas comportamentais de alto nível são calculadas por algoritmos comprovados e selecionadas por especialistas para refletir indicadores fisiologicamente significativos. Não apenas a fisiologia é levada em consideração, mas também o “contexto”. Por exemplo, indicadores de mobilidade que caracterizam a marcha e o nível geral de atividade podem ser fatores comportamentais importantes para ajudar a detectar a gravidez.
O WBM estuda padrões em dados comportamentais processados em vez de analisar diretamente sinais de sensores.
O modelo foi treinado usando dados do Apple Watch e do iPhone de 161.855 participantes. Foram estudadas 27 métricas comportamentais, incluindo ritmo de caminhada, frequência respiratória, duração do sono, alterações na frequência cardíaca, etc. As informações foram divididas em blocos semanais e transmitidas pela IA.
No final, o WBM superou um modelo bastante preciso que faz previsões com base em dados de sensores em 18 de 47 tarefas estáticas de previsão de saúde (como tomar betabloqueadores). O novo produto também venceu em quase todas as tarefas dinâmicas (determinar gravidez, qualidade do sono ou infecção respiratória), exceto no diagnóstico de diabetes.
O melhor desempenho foi demonstrado por uma combinação dos dois métodos: o modelo híbrido atingiu 92% de precisão na detecção de gravidez e mostrou melhora consistente na precisão para sono, infecção, lesões e distúrbios cardiovasculares.