Apple sviluppa un nuovo modello AI capace di rilevare malattie accurate fino al 92%, sfruttando dati comportamentali.
Apple ha appena contribuito a una nuova ricerca che potrebbe rivoluzionare il modo in cui monitoriamo la salute e le malattie tramite dispositivi indossabili. Il nuovo modello AI WBM (Wearable Behavior Model) sviluppato nell’ambito dell’Apple Heart and Movement Study (AHMS) è in grado di rilevare condizioni mediche con un’accuratezza fino al 92%, superando in molti casi le tecniche basate sui sensori biometrici tradizionali.
WBM: Il modello AI che individua le malattie
Il nuovo studio, pubblicato come preprint, si intitola Beyond Sensor Data: Foundation Models of Behavioral Data from Wearables Improve Health Predictions. A differenza dei modelli precedenti, WBM non si basa esclusivamente su dati grezzi come frequenza cardiaca o ossigenazione del sangue, ma su metriche comportamentali aggregate e interpretate nel tempo.
Questi dati includono:
- Conteggio dei passi.
- Stabilità della camminata.
- Mobilità.
- VO₂ max.
- Durata e qualità del sonno.
- Respirazione e variabilità cardiaca.
Tutte informazioni già disponibili tramite Apple Watch e iPhone, ma raramente sfruttate in modo così strutturato.
Perché i dati comportamentali sono più efficaci
I ricercatori sostengono che le metriche comportamentali siano spesso più stabili, interpretabili e pertinenti per il monitoraggio della salute a lungo termine, rispetto ai segnali grezzi dei sensori.
Per esempio, la camminata, l’energia attiva giornaliera o la qualità del sonno possono rilevare uno stato di salute in mutamento, come una gravidanza, un’infezione o una condizione cardiovascolare, anche prima che emergano sintomi fisiologici evidenti.
La potenza dei dati e dell’intelligenza artificiale Apple
WBM è stato addestrato su oltre 2,5 miliardi di ore di dati da Apple Watch e iPhone, raccolti da 161.855 partecipanti. I dati sono stati suddivisi in blocchi settimanali e analizzati tramite un’architettura basata su Mamba-2, una tecnologia più efficace rispetto ai classici Transformer (come quelli usati nei modelli GPT).
Il modello ha utilizzato 27 metriche umane comprensibili, tra cui:
- Energia attiva.
- Ritmo di camminata.
- Frequenza cardiaca variabile.
- Frequenza respiratoria.
- Durata del sonno.
I risultati: fino al 92% di accuratezza nelle malattie
Su 57 compiti di previsione medica, WBM ha superato un modello basato su sensori PPG (fotopletismografia) in 18 compiti statici e in quasi tutti quelli dinamici (rilevamento di gravidanza, qualità del sonno, infezioni respiratorie). L’unica eccezione è stata il diabete, dove il PPG ha avuto risultati leggermente migliori.
La combinazione tra WBM e sensori PPG, però, ha portato ai risultati più promettenti:
- 92% di accuratezza nel rilevamento della gravidanza.
- Migliori prestazioni nella qualità del sonno.
- Aumenti significativi nella rilevazione di infortuni, infezioni e fibrillazione atriale.
Verso un futuro ibrido tra AI e sensori
Lo studio non mira a sostituire i dati grezzi dei sensori biometrici, ma a completarli. I modelli comportamentali come WBM sono eccellenti nel cogliere schemi a lungo termine, mentre i sensori come il PPG rimangono ideali per i cambiamenti immediati e fisiologici.
Insieme, offrono una fotografia più completa e predittiva dello stato di salute dell’utente. È un ulteriore passo avanti nell’ambizione di Apple di trasformare i suoi dispositivi indossabili in strumenti clinici intelligenti, in grado di prevenire, diagnosticare e assistere in modo continuo.
Per chi desidera approfondire, il team ha pubblicato il preprint ufficiale dello studio con dettagli tecnici, codice e risultati completi.
[fonte]