SensorFM: el modelo fundacional de Google que transforma los datos de wearables en inteligencia de salud a escala

SensorFM es un modelo fundacional desarrollado por investigadores de Google, preentrenado con más de un billón de minutos de señales de sensores de wearables no etiquetadas de aproximadamente cinco millones de participantes, y evaluado en 35 tareas de salud posteriores . El trabajo, titulado 'Towards a General Intelligence and Interface for Wearable Health Data', representa un paso hacia una inteligencia artificial de propósito general para el monitoreo continuo de la salud a través de cuatro características clave:

Qué es SensorFM

• Escala masiva de preentrenamiento: SensorFM se preentrena con más de un billón de minutos de señales de sensores no etiquetadas de una cohorte de aproximadamente cinco millones de personas . Las entradas incluyen características de sensores por minuto (p. ej., acelerómetro, frecuencia cardíaca, temperatura, SpO₂) de dispositivos como Fitbit y Pixel Watch .
• Evaluación en 35 tareas: El modelo se evalúa en 35 tareas de predicción de salud que cubren dominios como salud cardiovascular, metabólica, respiratoria, actividad, sueño y salud mental . Supera a los métodos tradicionales en 34 de estas tareas de clasificación .
• Características de escalado: La investigación demuestra que el escalado conjunto de la capacidad del modelo y el volumen de datos de preentrenamiento conduce a mejoras sistemáticas en el rendimiento en todas las tareas posteriores . Esto refleja las leyes de escalado observadas en modelos de lenguaje y visión, ahora validadas para datos de sensores de wearables.

Cómo avanza la inteligencia artificial de propósito general para el monitoreo de la salud

• Representaciones generales de sensores: En lugar de construir algoritmos separados para cada condición de salud, SensorFM aprende una representación compartida de los patrones fisiológicos y de comportamiento humanos a partir de datos no etiquetados, y luego se adapta a tareas específicas con datos etiquetados limitados, una característica distintiva de la generalidad de los modelos fundacionales.
• Integración con agentes LLM: El modelo despliega agentes LLM autónomos (incluyendo la base en Gemini) para navegar espacios de incrustación y realizar tareas predictivas, conectando directamente la comprensión de sensores con el razonamiento de modelos de lenguaje .
• Camino hacia un Agente Personal de Salud: Google Research ha publicado por separado sobre el 'Personal Health Insights Agent (PHIA)', un sistema que utiliza razonamiento de varios pasos, generación de código y recuperación de información para analizar datos de wearables y responder preguntas de salud . SensorFM proporciona la capa de comprensión de sensores fundamental que dicho agente aprovecharía para ofrecer información de salud personalizada y continua.

En resumen, SensorFM escala la IA basada en sensores a un régimen de un billón de minutos y cinco millones de personas, demuestra ganancias sistemáticas de rendimiento con el tamaño, se generaliza en 35 tareas de salud y se conecta con agentes de salud personales basados en LLM, lo que lo convierte en un paso concreto hacia un único sistema de IA de propósito general que monitorea e interpreta continuamente la salud humana a partir de wearables.