Danny Weber
11:51 11-12-2025
© A. Krivonosov
Forskare vid MIT tränade JETS, en JEPA-baserad AI, på miljoner Apple Watch-mätningar för att flagga hälsotillstånd med hög AUROC och praktisk nytta i vardagen.
Med tre miljoner dagar av Apple Watch-data i ryggen har forskare från MIT och Empirical Health tagit fram en AI-modell som med påfallande säkerhet kan flagga sjukdomstillstånd. Systemet bygger på JEPA-arkitekturen, föreslagen av Yann LeCun, där neurala nätverk tränas att härleda innebörden i saknade data i stället för att bokstavligen fylla i luckor. För de fragmenterade, ryckiga signaler som är typiska för bärbara enheter framstår den tanken som ovanligt väl anpassad.
Forskarna analyserade uppgifter från 16 522 deltagare insamlade under flera år, med 63 typer av mätvärden kopplade till hjärtfunktion, andning, sömn, aktivitet och övergripande hälsomarkörer. Bara 15 % av deltagarna hade medicinska diagnoser, men modellen—som kallas JETS—tränades på hela datamängden och finjusterades sedan på den märkta delen. Strategin gör att systemet fångar mönster från vardagen, inte enbart från kliniska fall, vilket i praktiken är precis där bärbara enheter lever.
För att anpassa JEPA till tidsserier omvandlade forskarna varje observation till en token, maskerade delar av sekvenserna och tränade modellen att förutsäga dolda representationer. Efter träningsfasen jämfördes JETS med flera starka baslinjemodeller—och resultaten stack ut. Modellen nådde en AUROC på 86,8 % för högt blodtryck, 81 % för kroniskt trötthetssyndrom och 86,8 % för sinusknutedysfunktion.
Även om AUROC inte är samma sak som ren träffsäkerhet, utan mäter hur väl en modell skiljer sannolika fall från osannolika, framträder JETS försprång mot klassiska algoritmer tydligt. Författarna betonar att bärbara enheter fortfarande rymmer en stor outnyttjad potential i vården och att nyare arkitekturer kan utvinna värde även ur data som tidigare avfärdats som alltför ojämna eller ofullständiga.
Sammanfattningsvis pekar studien mot att prylar vi redan bär på handleden kan bli ett kraftfullt varningssystem—om modellerna tränas på rätt sätt. Det handlar inte om att kräva fläckfria indata, utan om att lära sig läsa världen genom ofullständiga signaler. Just där ligger en praktisk förskjutning: vardagsdata behöver inte vara perfekta för att göra nytta.