Um novo estudo apoiado pela Apple sugere que dados comportamentais, como movimento, sono e exercícios, podem ser sinais de saúde mais precisos do que medições biométricas tradicionais, como frequência cardíaca ou oxigênio no sangue. Para comprovar essa hipótese, foi desenvolvida uma inteligência artificial treinada com mais de 2,5 bilhões de horas de dados coletados de dispositivos da empresa.

Usando o modelo de comportamento vestível Wearable Behavior Model (WBM), treinado com dados de Apple Watches e iPhones, a IA foi capaz de superar modelos tradicionais de saúde baseados em sensores. Mais de 161 mil participantes do Apple Heart and Movement Study (AHMS) contribuíram com dados coletados por seus dispositivos para o estudo.

Em vez de depender apenas dos dados brutos dos sensores, como frequência cardíaca e saturação do oxigênio (PPG) ou eletrocardiograma (ECG), o modelo WBM focou em métricas comportamentais mais significativas, como contagem de passos, ritmo de caminhada, variabilidade da frequência cardíaca, taxa respiratória e duração do sono. Essas métricas de nível superior são mais estáveis e refletem sinais comportamentais a longo prazo, ajudando a prever condições de saúde de forma mais precisa.

Quando o WBM foi combinado com os dados do PPG, ele obteve uma precisão impressionante de 92% na detecção de gravidez, um resultado bem superior à média obtida quando apenas um dos modelos foi utilizado. Além disso, essa combinação gerou melhorias consistentes em outras áreas, como qualidade do sono, detecção de infecções, lesões e condições cardiovasculares, como a fibrilação atrial.

Qual é o segredo para a precisão de 92%?

A chave para essa alta precisão foi o uso de uma arquitetura avançada que combinou dados comportamentais processados, mais fáceis de interpretar e menos sujeitos a ruídos, com dados fisiológicos de sensores. Essa abordagem híbrida permitiu que o modelo de IA identificasse sinais de saúde a longo prazo com maior precisão, ao mesmo tempo que respondia de forma eficaz a mudanças fisiológicas mais imediatas.

Entretanto, o estudo destaca que o WBM não tem a intenção de substituir dados de sensores como o PPG, mas complementá-los, criando um sistema mais eficiente para monitoramento de saúde em tempo real.