JEPA-basert KI fra MIT avslører helserisiko i Apple Watch-data

Med tre millioner dager med Apple Watch-data i ryggen har forskere ved MIT og Empirical Health utviklet en ny KI-modell som fanger opp sykdomstegn med påfallende sikkerhet. Systemet bygger på JEPA-arkitekturen, foreslått av Yann LeCun, der nevrale nettverk lærer å tolke meningen i manglende data i stedet for å fylle hullene bokstavelig. For de bruddvise, avbrutte signalene som er typiske for bærbar teknologi, fremstår denne tilnærmingen som en naturlig match.

Forskerne analyserte registreringer fra 16 522 deltakere over flere år, med 63 typer målinger knyttet til hjertefunksjon, pust, søvn, aktivitet og generelle helseindikatorer. Bare 15 prosent hadde medisinske diagnoser, men modellen — kalt JETS — lærte av hele datasettet og ble deretter finjustert på den merkede delen. Grepet lar systemet snappe opp mønstre fra hverdagen, ikke bare kliniske tilfeller, noe som øker relevansen i praksis.

For å tilpasse JEPA til tidsserier gjorde teamet hver observasjon om til et token, brukte maskering og trente modellen til å forutsi skjulte representasjoner. Etter treningen målte de JETS mot flere sterke grunnlagsarkitekturer — og resultatene skilte seg ut. Modellen nådde en AUROC på 86,8% for hypertensjon, 81% for kronisk utmattelsessyndrom og 86,8% for dysfunksjon i sinusknuten.

AUROC er ikke ren treffsikkerhet, men et mål på hvor godt en modell skiller sannsynlige tilfeller fra usannsynlige. Likevel kommer JETS’ fortrinn over mer klassiske algoritmer tydelig frem. Forfatterne peker på at bærbare enheter fortsatt har et stort, uutnyttet potensial i medisin, og at nyere arkitekturer kan hente verdi selv fra data som tidligere ble avfeid som for ujevne eller uregelmessige.

Kort sagt antyder studien at hverdagsdingser som Apple Watch kan bli et kraftig tidlig varslingssystem — dersom modellene trenes på riktig måte, ikke ved å kreve plettfrie input, men ved å lære å lese verden gjennom ufullstendige signaler.