Pesquisadores do MIT e da Empirical Health desenvolveram um modelo de inteligência artificial capaz de identificar condições médicas como hipertensão, flutter atrial e síndrome de fadiga crônica usando dados coletados por wearables como o Apple Watch. O diferencial está na abordagem: o sistema aproveita dados incompletos e irregulares que normalmente seriam descartados em métodos tradicionais de machine learning.
O estudo reuniu aproximadamente 3 milhões de dados de 16.522 voluntários. Foram monitoradas 63 métricas diferentes em cinco categorias: saúde cardiovascular, respiratória, sono, atividade física e estatísticas gerais. O problema é que apenas 15% dos participantes tinham histórico médico rotulado — o que tornaria 85% do conjunto de dados inutilizável em modelos de aprendizado supervisionado convencional.
Como funciona o modelo JETS
O modelo batizado de JETS (Joint-Embedding Time Series Foundation Model) usa uma arquitetura proposta por Yann LeCun, ex-cientista-chefe de IA da Meta. Em vez de tentar preencher lacunas nos dados com valores estimados, o sistema aprende a inferir o significado do que está faltando. Primeiro, ele passa por um pré-treinamento auto-supervisionado com todo o conjunto de dados, depois é refinado usando os 15% de dados rotulados.
Os pesquisadores converteram cada observação em um “token” — uma unidade de dados processável pela IA — organizando informações em triplas: dia, valor da medição e tipo de métrica. Isso permitiu que o modelo trabalhasse mesmo quando algumas métricas eram registradas em apenas 0,4% do tempo, enquanto outras apareciam em 99% das leituras diárias.
Resultados na prática
Quando comparado a outros modelos usando AUROC e AUPRC — métricas que avaliam a capacidade de discriminar casos positivos e negativos —, o JETS mostrou desempenho sólido. Alcançou 86,8% de AUROC para hipertensão arterial, 70,5% para flutter atrial, 81% para síndrome de fadiga crônica e 86,8% para síndrome do nó sinusal doente. Vale lembrar que AUROC mede quão bem o modelo prioriza casos prováveis, não exatamente a taxa de acertos absolutos.
O estudo foi aceito em um workshop da NeurIPS e aponta um caminho para extrair mais valor de dados de wearables que já estão sendo coletados por milhões de pessoas, mesmo quando os dispositivos não são usados o tempo todo. A Empirical Health, que participou da pesquisa, trabalha com dados de Apple Watch, Fitbit, Pixel Watch e Samsung Galaxy Watch.
