Un estudio realizado por investigadores del Instituto Tecnológico de Massachusetts (MIT) postula a los relojes inteligentes como candidatos para predecir enfermedades. La investigación se llevó a cabo en colaboración con Empirical Health, una plataforma de salud digital basada en Inteligencia Artificial, con base en datos de 3 millones de usuarios del Apple Watch. Según 9to5Mac, el resultado es un modelo de IA que pronostica afecciones médicas con “una precisión impresionante”.
Relojes para predecir enfermedades: la idea se basa en un postulado célebre de la IA
De acuerdo a la fuente, el plan de los investigadores, detallado en este enlace, gira en torno a lo que se conoce como Arquitectura Predictiva de Integración Conjunta (JEPA, por sus siglas en inglés), que en el 2023 propuso por Yann LeCun, que es considerado como uno de los “padres de la Inteligencia Artificial”.
Leé también: El Apple Watch puede convertirse en un iPod gracias a este invento que propone “desconexión”
Básicamente, se trata de un método que enseña a una IA a inferir los datos faltantes. Cuando se gestionan las denominadas “lagunas”, el modelo aprende a predecir qué representan las partes faltantes. No es adivinación, sino una reconstrucción que procura precisión.
Para comprender el principio de JEPA, podemos tomar como ejemplo a una imagen con algunos huecos. En ese caso, la IA infiere la representación de las partes faltantes a partir del contexto visible. Con esto, las IAs podrían ser funcionales incluso en situaciones que el modelo desconoce.
De JEPA a los relojes y la predicción de enfermedades
El artículo detalla un enfoque que adapta los postulados de JEPA a una tarea específica. Tal como señalamos, para el examen se analizaron datos de 3 millones de usuarios de relojes inteligentes de Apple. Cabe recordar que los smartwatches de esa marca incluyen funciones que monitorean variables de salud, como la frecuencia cardíaca, la calidad del sueño, la actividad física, entre otras. En paralelo —y en línea con la idea de LeCun—, las mediciones de los relojes aparecen en forma inconsistente y con lagunas.
“Curiosamente, solo el 15% de los participantes había etiquetado sus historiales médicos para su evaluación, lo que significa que el 85% de los datos no habrían sido utilizables con los enfoques tradicionales de aprendizaje supervisado. En cambio, (este modelo) aprendió primero del conjunto de datos completo mediante un pre-entrenamiento autosupervisado y luego afinó el subconjunto etiquetado”, explicaron los científicos del MIT.
En las pruebas, el modelo que denominado JETS obtuvo una calificación del 86,8% para predecir hipertensión arterial, 81% para síndrome de fatiga crónica y 86,8% en casos de disfunción del nódulo sinusal.
Leé también: Los próximos modelos del Apple Watch analizarán el sudor del usuario: ¿para qué servirá?
“En resumen, este estudio presenta un enfoque interesante para maximizar la información y el potencial de salvar vidas con datos que podrían considerarse incompletos o irregulares”, concluye la fuente.
