MIT entrena JETS, un modelo de IA basado en JEPA, con millones de días del Apple Watch para detectar hipertensión y otras enfermedades con alta AUROC.
© A. Krivonosov
Apoyándose en tres millones de días de datos del Apple Watch, investigadores del MIT y de Empirical Health han construido un modelo de IA capaz de señalar enfermedades con una seguridad llamativa. El sistema se basa en la arquitectura JEPA, propuesta por Yann LeCun, que entrena redes neuronales para inferir el significado de los datos ausentes en lugar de rellenar huecos de forma literal. Para las señales fragmentarias e intermitentes típicas de los wearables, ese enfoque encaja de manera casi natural.
El equipo analizó registros de 16.522 participantes recopilados a lo largo de varios años, con 63 tipos de métricas vinculadas a la función cardíaca, la respiración, el sueño, la actividad y otros indicadores generales de salud. Solo el 15% contaba con diagnósticos médicos, pero el modelo —bautizado JETS— aprendió del conjunto completo y luego se afinó con la parte etiquetada. Esta estrategia permite captar patrones de la vida cotidiana, no solo de casos clínicos.
Para adaptar JEPA a datos de series temporales, los investigadores convirtieron cada observación en un token, aplicaron enmascaramiento y entrenaron el modelo para predecir representaciones ocultas. Tras el entrenamiento, compararon JETS con varias arquitecturas de referencia sólidas, y los resultados destacaron: el modelo alcanzó un AUROC del 86,8% en hipertensión, del 81% en síndrome de fatiga crónica y del 86,8% en disfunción del nodo sinusal.
Aunque AUROC no es una medida de precisión directa, sino de cómo separa el modelo los casos probables de los improbables, la ventaja de JETS frente a algoritmos clásicos se aprecia con claridad. Los autores subrayan que los wearables siguen teniendo un potencial médico enorme aún por explotar, y que las arquitecturas más recientes pueden extraer valor incluso de datos que antes se descartaban por demasiado irregulares.
En definitiva, el estudio sugiere que dispositivos cotidianos como el Apple Watch pueden convertirse en un potente sistema de alerta temprana, siempre que los modelos se entrenen de la manera adecuada: sin exigir entradas impecables, sino aprendiendo a leer el mundo a través de señales incompletas. Una conclusión que suena tan pragmática como prometedora.