MIT ed Empirical Health presentano JETS: IA basata su JEPA che sfrutta dati da Apple Watch per rilevare ipertensione, CFS e aritmie, con AUROC fino all'86,8%.
© A. Krivonosov
Forte di tre milioni di giornate di dati raccolti con Apple Watch, un gruppo di ricercatori del MIT e di Empirical Health ha costruito un nuovo modello di IA capace di segnalare malattie con notevole sicurezza. Il sistema si appoggia all’architettura JEPA proposta da Yann LeCun, che addestra le reti neurali a dedurre il significato dei dati mancanti invece di colmarli alla lettera. Con segnali frammentari e intermittenti come quelli tipici dei dispositivi indossabili, questo approccio suona come una scelta naturale.
Il team ha analizzato i registri di 16.522 partecipanti raccolti nell’arco di più anni, monitorando 63 tipologie di metriche legate a funzionalità cardiaca, respirazione, sonno, attività e indicatori generali di salute. Solo il 15% delle persone aveva diagnosi mediche; eppure il modello, battezzato JETS, ha imparato dall’intero set di dati e poi è stato messo a punto sulla parte etichettata. Una strategia che permette al sistema di cogliere schemi della vita di tutti i giorni, non solo dei casi clinici.
Per adattare JEPA ai dati temporali, i ricercatori hanno trasformato ogni osservazione in un token, applicato mascheramenti e addestrato il modello a prevedere rappresentazioni nascoste. Dopo l’addestramento, JETS è stato confrontato con diverse architetture di riferimento robuste — e i risultati si sono distinti. Il modello ha raggiunto un AUROC dell’86,8% per l’ipertensione, dell’81% per la sindrome da fatica cronica e dell’86,8% per la disfunzione del nodo del seno.
Pur non essendo una misura di accuratezza in senso stretto, l’AUROC indica quanto bene un modello separi i casi probabili da quelli improbabili, e il vantaggio di JETS sugli algoritmi classici appare netto. Gli autori sottolineano che i dispositivi indossabili hanno ancora un enorme potenziale in medicina e che le architetture più recenti sanno estrarre valore anche da dati a lungo considerati troppo discontinui o irregolari.
In sostanza, lo studio suggerisce che strumenti quotidiani come Apple Watch possano trasformarsi in un forte sistema di allerta precoce, a patto che i modelli vengano addestrati nel modo giusto: non pretendendo ingressi perfetti, ma imparando a leggere il mondo attraverso segnali incompleti.