Wie JETS mit JEPA aus Apple Watch-Daten Krankheiten vorhersagt

Gestützt auf Daten aus drei Millionen Tragetagen der Apple Watch haben Forschende vom MIT und Empirical Health ein KI-Modell entwickelt, das mit bemerkenswerter Sicherheit auf Krankheiten hinweisen kann. Das System baut auf der von Yann LeCun vorgeschlagenen JEPA-Architektur auf, die neuronale Netze darauf trainiert, aus fehlenden Werten Sinn abzuleiten, statt Lücken einfach auszurechnen. Gerade für die abgehackten, unregelmäßigen Signale typischer Wearables wirkt dieser Ansatz wie eine natürliche Passung.

Das Team analysierte über mehrere Jahre erhobene Daten von 16.522 Teilnehmenden und verfolgte 63 Kennzahlen zu Herzfunktion, Atmung, Schlaf, Aktivität und allgemeinen Gesundheitsindikatoren. Nur 15% der Personen hatten medizinische Diagnosen, dennoch lernte das Modell – JETS – aus dem gesamten Datensatz und wurde anschließend auf den beschrifteten Teil feinjustiert. So kann das System Muster aus dem Alltag aufgreifen und nicht nur aus klinischen Fällen – ein pragmatischer Weg, um Realität abzubilden.

Um JEPA für Zeitreihen nutzbar zu machen, verwandelten die Forschenden jede Beobachtung in ein Token, setzten Maskierungen und ließen das Modell verborgene Repräsentationen vorhersagen. Danach benchmarkten sie JETS gegen mehrere starke Baselines – mit auffälligem Ergebnis. Das Modell erreichte eine AUROC von 86,8% bei Hypertonie, 81% beim chronischen Erschöpfungssyndrom und 86,8% bei Sinusknotendysfunktion.

AUROC steht nicht für schlichte Genauigkeit, sondern dafür, wie gut ein Modell wahrscheinliche von unwahrscheinlichen Fällen trennt; dennoch wird JETS’ Vorsprung gegenüber klassischen Algorithmen deutlich. Die Autorinnen und Autoren betonen, dass Wearables in der Medizin noch großes ungenutztes Potenzial bergen und dass neuere Architekturen selbst aus Daten Wert ziehen können, die lange als zu lückenhaft oder unregelmäßig galten. Das deutet auf eine Kurskorrektur im Umgang mit Alltagsdaten hin.

Unterm Strich legt die Studie nahe, dass Alltagsgeräte wie die Apple Watch zu einem leistungsfähigen Frühwarnsystem werden können – vorausgesetzt, die Modelle werden richtig trainiert: nicht makellose Eingaben einfordern, sondern lernen, die Welt aus unvollständigen Signalen heraus zu lesen.