Сегодня миллиарды носимых устройств ежедневно собирают данные о состоянии организма: частоте сердечных сокращений, движении, температуре кожи, уровне кислорода в крови и качестве сна. Однако превращение этих потоков информации в полезные медицинские выводы остается сложной задачей. Причина в том, что физиология и образ жизни людей сильно различаются, а качественные медицинские данные с подтвержденными диагнозами и лабораторными показателями трудно и дорого собирать. В результате большинство моделей для носимых устройств создаются под одну конкретную задачу и плохо оценивают состояние здоровья человека в целом.
SensorFM предлагает иной подход: вместо создания отдельных моделей для каждого заболевания или показателя здоровья разработчики обучили единую систему на масштабном массиве немаркированных данных. В частности, использовались обезличенные сведения о 5 млн добровольцев, собранные в период с сентября 2024 по сентябрь 2025 года. Набор включает информацию из более чем 100 стран, всех штатов США и более чем 20 моделей устройств Fitbit и Pixel Watch. Всего система получила доступ к 1 трлн минут данных с сенсоров.
Модель анализирует 34 агрегированных показателя, полученных с пяти типов датчиков: фотоплетизмографии, акселерометров, датчиков электродермальной активности, температуры кожи и альтиметрии. Эти сигналы позволяют отслеживать сердечный ритм и его вариабельность, сон, физическую активность, уровень насыщения крови кислородом и другие характеристики в течение суток.
SensorFM может работать с неполными данными. В быту носимые устройства часто теряют часть информации: человек снимает часы, отключает датчики или устройство переходит в энергосберегающий режим. Вместо того чтобы удалять такие записи или искусственно заполнять пробелы, модель обучается учитывать пропуски как естественную часть данных, что позволяет ей лучше адаптироваться к реальным условиям использования. Эксперименты показали, что увеличение объема данных и размера модели напрямую улучшает ее возможности.
Исследователи проверили SensorFM на 35 задачах прогнозирования состояния здоровья. Информацию для тестов взяли из трёх независимых долгосрочных исследований с участием 13 985 человек. Саму модель не дообучали: для каждой конкретной задачи к эмбеддингам SensorFM добавляли лишь простую линейную модель.
В таком режиме SensorFM превзошла традиционные подходы, основанные на вручную выбранных признаках и обучении с учителем, в 34 из 35 тестов. Особенно заметным преимущество оказалось при выявлении депрессии и тревожности — состояний, которые оставляют слабые и трудно различимые сигналы в данных носимых устройств.
Разработчики также проверили, может ли SensorFM стать основой для персонального медицинского ИИ-агента. В эксперименте с реальными профилями участников врачи оценивали рекомендации, созданные агентом с использованием прогнозов модели. Добавление данных SensorFM улучшило оценки по критериям персонализации, релевантности и обоснованности, а результаты оказались сопоставимы с вариантами, где использовались фактические медицинские измерения. По мнению команды, SensorFM демонстрирует переход от множества узких моделей к универсальным ИИ-системам, способным анализировать индивидуальную физиологию человека и поддерживать персонализированную медицину.
