JEPA en JETS: AI haalt ziekterisico's uit Apple Watch-signalen

Met drie miljoen dagen aan Apple Watch-gegevens in de rug bouwden onderzoekers van MIT en Empirical Health een nieuw AI-model dat ziekten met opvallend zelfvertrouwen kan signaleren. Het systeem leunt op de door Yann LeCun voorgestelde JEPA-architectuur, die neurale netwerken traint om de betekenis van ontbrekende data af te leiden in plaats van letterlijk lege plekken op te vullen. Voor de gefragmenteerde, stotende signalen die wearables eigen zijn, voelt die benadering als een logische match.

Het team analyseerde gegevens van 16.522 deelnemers, verzameld over meerdere jaren, met 63 soorten meetwaarden rond hartfunctie, ademhaling, slaap, activiteit en algemene gezondheidsindicatoren. Slechts 15% van de mensen had medische diagnosen, maar het model—JETS genaamd—leerde van de volledige dataset en werd daarna bijgeslepen op het gelabelde deel. Die strategie oogt pragmatisch: zo pikt het systeem patronen op uit het alledaagse leven, niet alleen uit klinische gevallen.

Om JEPA aan te passen aan tijdreeksen, zetten de onderzoekers elke observatie om in een token, pasten masking toe en trainden het model om verborgen representaties te voorspellen. Na afloop vergeleken zij JETS met meerdere sterke basisarchitecturen—en de uitkomsten sprongen eruit. Het model haalde een AUROC van 86,8% voor hypertensie, 81% voor het chronisch vermoeidheidssyndroom en 86,8% voor sinusknopdisfunctie.

AUROC is geen gewone nauwkeurigheid, maar een maat voor hoe goed een model waarschijnlijke gevallen van onwaarschijnlijke scheidt; toch komt het voordeel van JETS ten opzichte van klassieke algoritmen duidelijk naar voren. De auteurs leggen de nadruk op het grote, nog onbenutte potentieel van wearables in de zorg, en laten zien dat nieuwere architecturen waarde kunnen halen uit data die eerder te fragmentarisch of onregelmatig werd weggezet. Het is moeilijk daar geen vooruitgang in te zien.

Kortom, de studie suggereert dat alledaagse apparaten zoals de Apple Watch kunnen uitgroeien tot een krachtig vroegwaarschuwingssysteem—mits modellen op de juiste manier worden getraind: niet door smetteloze input te eisen, maar door de wereld te leren lezen via onvolledige signalen. Dat klinkt minder futuristisch dan het lijkt.