طور باحثو Apple ، بالتعاون مع جامعة جنوب كاليفورنيا ، نموذجًا جديدًا للذكاء الاصطناعي (AI) الذي يتتبع البيانات السلوكية على إشارات المستشعر. يعتمد البحث الجديد على العمل السابق من قبل دراسة Apple Heart and Movement (AHMS) وكان يهدف إلى فهم ما إذا كانت البيانات السلوكية ، مثل نمط النوم وعدد الخطوات ، يمكن أن تكون محددًا أفضل لصحة الشخص مقارنةً بالمؤشرات التقليدية مثل معدل ضربات القلب ومستوى أكسجين الدم. وفقًا للورقة ، كان أداء نموذج الذكاء الاصطناعي جيدًا بشكل مدهش ، حتى لو كان مع بعض التحذيرات.
توضح دراسة Apple الجديدة فوائد تجاوز البيانات الصحية التقليدية
ال يذاكر، بعنوان “Beyond Sensor Data: تم نشر نماذج الأساس للبيانات السلوكية من الأجهزة القابلة للارتداء تحسين التنبؤات الصحية” في مجلة ما قبل الطباعة Arxiv ولم تتم مراجعتها بعد. شرع الباحثون في تطوير نموذج من الذكاء الاصطناعي ، يطلق عليه اسم نموذج السلوك القابل للارتداء (WBM) ، والذي يعتمد على البيانات السلوكية المعالجة من الأجهزة القابلة للارتداء مثل المدة التي ينام فيها الشخص ودوراته REM ، والخطوات اليومية التي يتم اتخاذها والمشي ، وكيف يتغير نمط نشاطه خلال الأسبوع.
تقليديًا ، للتنبؤ بصحة شخص ما أو تقييمه ، ركزت الأبحاث الصحية التي يمكن ارتداؤها عادة على قراءات المستشعرات الخام مثل مراقبة معدل ضربات القلب المستمر ومستويات أكسجين الدم ودرجة حرارة الجسم. تعتقد الدراسة أنه على الرغم من أن هذه البيانات يمكن أن تكون مفيدة في بعض الأحيان ، فإنها تفتقر أيضًا إلى السياق الكامل حول الفرد ويمكن أن يكون لها تناقضات.
بغض النظر ، لم يتم استخدام البيانات السلوكية حتى الآن ، والتي هي أيضًا شيء أكثر من أجهزة الأجهزة القابلة للارتداء ، في الأنظمة كمؤشر موثوق لصحة الشخص. هناك سببان رئيسيان لذلك ، وفقا للدراسة. أولاً ، هذه البيانات أكثر ضخراً مقارنةً ببيانات المستشعر ، ونتيجة لذلك ، يمكن أن تكون أيضًا صاخبة للغاية. ثانياً ، إن إنشاء الخوارزميات والأنظمة التي يمكنها جمع هذه البيانات وتحليلها وتجعل التنبؤات الصحية بشكل موثوق أمرًا صعبًا للغاية.
هذا هو المكان الذي يأتي فيه نموذج لغة كبير (LLM) ويحل مشكلة التحليل. لحل الضوضاء في البيانات ، أطعم الباحثون النموذج بالبيانات المنظمة والمعالجة. تأتي البيانات نفسها من أكثر من 1،62،000 مستخدم Apple Watch الذين شاركوا في AHMS بحث، مجموع أكثر من 2.5 مليار ساعة من البيانات القابلة للارتداء.
بمجرد التدريب ، استخدم نموذج الذكاء الاصطناعى 27 مقاييس سلوكية مختلفة ، والتي تم تجميعها في فئات مثل النشاط وصحة القلب والأوعية الدموية والنوم والتنقل. ثم تم اختباره عبر 57 مهمة مختلفة متعلقة بالصحة ، مثل معرفة ما إذا كان لدى شخص ما حالة طبية معينة (مرض السكري أو أمراض القلب) وتتبع التغيرات الصحية المؤقتة (الشفاء من الإصابة أو العدوى). مقارنة بدقة خط الأساس ، ادعى الباحثون أن WMB تفوقت في 39 من أصل 47 نتيجة.
مقارنة بين أداء نموذج WBM نموذج الاختبار ومجموعة كليهما
الصورة الائتمان: Apple
ثم تمت مقارنة النتائج من النموذج مع نموذج اختبار آخر تم تغذية بيانات القلب الخام فقط ، والمعروفة أيضًا باسم بيانات التصوير الضوئي (PPG). ومن المثير للاهتمام ، عند المقارنة بشكل فردي ، لم يكن هناك فائز واضح. ومع ذلك ، عندما جمع الباحثون النموذجين ، تم قياس دقة التنبؤ والتحليل الصحي لتكون أعلى.
يعتقد الباحثون الجمع بين بيانات المستشعر التقليدية والبيانات السلوكية أن يحسن الدقة في التنبؤ بالظروف الصحية. ذكرت الدراسة أن مقاييس البيانات السلوكية أسهل في التفسير ، وتتوافق بشكل أفضل مع النتائج الصحية في الحياة الواقعية ، وتتأثر أقل بالأخطاء التقنية.
والجدير بالذكر أن الدراسة أبرزت أيضًا العديد من القيود الرئيسية. تم أخذ البيانات من مستخدمي Apple Watch في الولايات المتحدة ، ولم يتم تمثيل السكان العالميين الأوسع في هذا. بالإضافة إلى ذلك ، نظرًا لارتفاع السعر للأجهزة القابلة للارتداء التي تجمع وتخزين البيانات السلوكية بدقة ، فإن إمكانية الوصول إلى الرعاية الصحية الوقائية تصبح أيضًا تحديًا.
