Что мы делаем с мед. данными когда есть ИИ, носимые сенсоры, и куча данных? Отвечает Google Research [1,2]
Короткое «мне плохо» не раскрывает характер симптомов. Дневная статистика часов тоже не объясняет, почему изменились пульс, сон или активность.
Сенсоры помогают заметить, что изменилось, а диалог — понять, что происходило с человеком. Для медицинского ИИ важны оба типа контекста — вместе с умением прямо сообщать о неопределённости.
SensorFM переводит данные с часов в признаки для анализа
SensorFM — фундаментальная модель, обученная более чем на триллионе минут данных носимых устройств от пяти миллионов участников. Она обрабатывает минутные показатели пульса, сна, движения, температуры кожи и других сенсоров, учитывает естественные пропуски и преобразует суточный поток измерений в компактный набор признаков.
Вместо отдельной модели для каждой задачи получается общий базовый слой. Его можно адаптировать к анализу сна, сердечно-сосудистых и метаболических рисков, психического здоровья и образа жизни.
Прогнозы модели передали health-агенту, который составлял персональные сводки. Четыре врача оценили 31 профиль и предоставили 1860 оценок по пяти критериям.
Добавление прогнозов SensorFM улучшило оценки сводок относительно версии только с демографией и ежедневными показателями.
SymptomAI — разговорный исследовательский прототип для оценки повседневных симптомов.
Система задаёт уточняющие вопросы: когда появились симптомы, как они менялись, какие ещё жалобы возникли. Затем она составляет список возможных причин — не подтверждённый диагноз.
Такой подход решает отдельную проблему медицинского ИИ: люди часто описывают состояние неполно и несистемно. Поэтому качество ответа зависит не только от возможностей модели, но и от того, насколько последовательно она собирает анамнез.
Активные стратегии интервью дали в среднем на 27,57% более высокую точность по сравнению с базовым режимом, в котором пользователь сам решал, что сообщить. Авторы также изучили более 500 000 дней данных носимых устройств и обнаружили физиологические ассоциации с респираторными инфекциями, включая изменения до обращения к системе. Для некоторых ассоциаций с гриппом отношение шансов превышало 7.
Возможный сценарий для будущих исследований это то, как подходы могли бы дополнять друг друга
1. Сенсорная модель замечает отклонение от обычных показателей.
2. Разговорный агент задаёт вопросы и собирает недостающие сведения.
3. Система объясняет, чего она не знает и насколько неопределён вывод.
4. При необходимости она рекомендует обратиться за медицинской помощью — вместо категоричного «диагноза от часов».
SensorFM и SymptomAI — два независимых исследования. В материалах не говорится, что они уже объединены в одну систему. Диалог, который автоматически запускается после изменения физиологических сигналов, пока остаётся направлением для будущих работ, а не готовой функцией.
Конечно, у обоих подходов остаются существенные ограничения.
Например, SensorFM изучали преимущественно на данных Fitbit и Pixel Watch, поэтому транслируемость на другие устройства и группы пользователей не гарантирована. Минутные агрегаты также теряют часть деталей сырых сигналов. В то же время в SymptomAI часть эталонных диагнозов основана на самоотчётах. Сравнение с врачами было не полностью симметричным: клиницисты работали с готовыми расшифровками разговоров, а не проводили собственные интервью.
[1] https://doi.org/10.48550/arXiv.2605.04012
[2] https://doi.org/10.48550/arXiv.2605.22759
