JETS: AI z Apple Watch včasně odhaluje nemoci

Na základě tří milionů dní dat z Apple Watch vědci z MIT a Empirical Health vytvořili nový model AI, který s výraznou jistotou dokáže upozorňovat na onemocnění. Opírá se o architekturu JEPA navrženou Yannem LeCunem, jež učí neuronové sítě odvozovat význam chybějících dat místo doslovného doplňování mezer. U roztříštěných, přerušovaných signálů typických pro nositelnou elektroniku takový přístup působí jako přirozená volba.

Tým analyzoval záznamy 16 522 účastníků shromažďované během několika let a sledoval 63 typů ukazatelů souvisejících se srdeční činností, dýcháním, spánkem, aktivitou a obecnými indikátory zdraví. Lékařskou diagnózu mělo jen 15 % lidí, přesto se model — nazvaný JETS — učil z celého souboru dat a následně byl doladěn na označené části. Taková strategie umožňuje systému zachytit vzorce z běžného života, nejen z klinických případů.

Aby přizpůsobili JEPA časovým řadám, převedli vědci každé měření na token, použili maskování a trénovali model tak, aby předpovídal skryté reprezentace. Po natrénování porovnali JETS s několika silnými výchozími architekturami — a výsledky vyčnívaly. Model dosáhl AUROC 86,8 % u hypertenze, 81 % u syndromu chronické únavy a 86,8 % u dysfunkce sinusového uzlu.

AUROC není prostá přesnost, ale míra, jak dobře model odlišuje pravděpodobné případy od nepravděpodobných; náskok JETS před klasickými algoritmy je přesto zřetelný. Autoři zdůrazňují, že nositelná zařízení mají v medicíně stále obrovský nevyužitý potenciál a že novější architektury dokážou vytěžit hodnotu i z dat, která se dříve považovala za příliš děravá či nepravidelná. To napovídá, že nejde o kosmetické zlepšení, ale o posun v přístupu.

Souhrnem studie naznačuje, že běžná zařízení jako Apple Watch se mohou stát silným systémem včasného varování — pokud se modely učí správným způsobem, nevyžadují bezchybné vstupy a naučí se číst svět z nedokonalých signálů. Je to pragmatická cesta — a podle výsledků i účinná.