Vanha sanonta “omena päivässä pitää lääkärin poissa” voi pitää enemmän totuutta kuin luulimme. Apple -tutkijat ovat löytäneet älykkäämmän tavan ymmärtää, kuinka päivittäiset tottumuksesi vaikuttavat terveyteesi ajan myötä – ja he ovat melko tarkkoja siinä.
Kesäkuun lopulla julkaistussa tutkimuksessa tutkijat esittelivät uuden lähestymistavan tietojen analysoimiseksi päivittäin laitteidemme kautta. Käyttämällä yli 160 000 Apple Watch- ja iPhone -käyttäjiä, Apple koulutti AI -mallia massiivisella 2,5 miljardin tunnin anturitiedolla, joka on kerätty pukeutuneista.
Tätä AI: ta kutsutaan lyhyt WBM tai WBM, ja se toimii hiukan eri tavalla. Sen sijaan, että katsot vain antureiden lukuja, kuten syke tai kehon lämpötila, WBM keskittyy päivittäisiin tapoihin, kuten kuinka paljon ihminen kävelee, nukkuu ja liikkuu. Nämä mallit voivat paljastaa paljon terveydestäsi, sinusta! Esimerkiksi hienovaraiset muutokset siinä, kuinka joku kävelee tai kuinka aktiiviset ne ovat, voivat olla varhaisia merkkejä jotain raskauden kaltaista – signaalit, jotka eivät ehkä näy pelkästään anturitiedoissa.
WBM testattiin 57 erilaisessa terveysennuste -tehtävissä ja tuotettiin voimakkaita tuloksia. Se ylitti parhaan suorituskyvyn sykepohjaisen mallin (nimeltään PPG) 18: ssa 47: stä pitkäaikaisesta terveysarvioinnista, kuten beeta-salpaajan käytön tunnistaminen. Se johti myös tietä melkein kaikissa lyhytaikaisissa, viikossa viikossa terveydenseurannan tehtävissä, kuten raskauden, unimuutosten tai hengitystieinfektioiden havaitsemisessa. Ainoa tehtävä, jossa PPG -malli menestyi, oli diabeteksen ennustaminen.
Mielenkiintoista on, mitä tapahtui, kun molempia malleja käytettiin yhdessä. Yhdistämällä WBM: n käyttäytymistiedot PPG: n fysiologisiin tietoihin, järjestelmä saavutti vielä suuremman tarkkuuden.
Tämä taulukko osoittaa, että WBM: n ja PPG: n yhdistäminen antaa jatkuvasti parhaat tulokset. / © Apple Research
Käytän raskauden havaitsemista esimerkkinä tutkiaksesi hieman syvemmälle tutkimukseen. Perusmalli, joka käytti vain keskiarvoja ja yksinkertaisia tilastoja, pisteytettiin 0,804. WBM parani siihen 0,864: llä, ja PPG -malli tuli hiukan korkeammalle 0,873: ssa. Mutta kun molemmat mallit yhdistettiin, pistemäärä hyppäsi arvoon 0,921. Se on iso harppaus, ja se osoittaa, kuinka käyttäytymistrendien sekoittaminen anturitietojen kanssa voi lisätä vakavasti tarkkuutta reaalimaailman terveysennusteissa.
Tutkijoiden mukaan tavoitteena ei ole korvata anturitiedot käyttäytymismallinnuksella, vaan niiden yhdistämiseen. Se on älykäs yhdistelmä.
Miksi sillä on merkitystä
Useimmat älykellot ja kunto -seurantalaitteet, kuten Apple Watch, pitävät välilehtiä esimerkiksi sykkeen, hengityksen, veren hapen ja jopa ranteen lämpötilan suhteen, kaikki reaaliajassa. Se on alan standardi. Mutta pääsy kaikkiin näihin tietoihin voi olla ylivoimainen, jos et oikein tiedä mitä tehdä sen kanssa. Ja kokemus on vain yhtä hyvä kuin sen takana olevat ominaisuudet.
Tietojen tulkinnassa tarjoamaan ominaisuuksia, kuten sairauden havaitsemista, yritykset luottavat usein anturin lukemiin. Applen oman tutkimuksen mukaan se ei ehkä kerro koko tarinaa.
Tämä uusi menetelmä kääntää sen. Se voi saavuttaa jopa 92%: n tarkkuuden varhaisten terveysongelmien havaitsemisessa, mikä saattaa tehdä hälytyksistä paljon luotettavampia. Se on siirtyminen kohti ominaisuuksia, jotka antavat sinulle heads-up pienistä terveydesi muutoksista-ehkä jo ennen kuin tunnet mitään.
Hienoa on, että se ei tarvitse ylimääräisiä laitteita, vain Apple Watch ja iPhone, jota monet ihmiset jo käyttävät. Ja koska tämänkaltaiset suuret innovaatiot yleensä päätyvät koko teollisuuden muotoiluun, on olemassa hyvät mahdollisuudet, että useammat käyttäjät hyötyvät siitä linjassa.
Toisin sanoen on edelleen epäselvää, rakennetaanko tämä kaksoismallijärjestelmä todellisiin ominaisuuksiin milloin tahansa pian. Mutta tutkimus tekee yhden asian ilmeisen: käyttäytymismallien yhdistäminen anturitietoihin johtaa parempia tuloksia. On hienoa nähdä, että yritys keskittyy asioiden saamiseen sen sijaan, että jahtaisi vain kiiltävää uutta ominaisuutta.
Lopuksi uskon, että Apple saattaa helpottaa älykellojen ennusteiden luottamista tällaisella tarkkuudella. Mutta vaikka se olisi toteutettu, vain aika näyttää. Mikä on sinun ottamasi?
Kautta: 9to5Mac
Lähde:
Apple Study (ARXIV)
