Apple Watch agora usa IA para detectar riscos à saúde com antecedência

O desafio dos dados incompletos

A maior barreira para a medicina preditiva baseada em wearables sempre foi a qualidade e a continuidade dos dados. É comum que os usuários não usem seus Apple Watches de forma constante, gerando lacunas nos registros de sono, atividade física e frequência cardíaca. O modelo tradicional de IA geralmente descarta ou falha ao processar conjuntos de dados com essas irregularidades. O estudo do MIT, no entanto, buscou superar essa limitação.

Leia mais:

Apple Watch liberado: novo recurso de saúde chega ao Brasil após autorização

A arquitetura JEPA e o modelo JETS

A base teórica que possibilitou esse salto é a arquitetura JEPA (Joint Embedding Predictive Architecture), proposta originalmente por Yann LeCun, ex-cientista-chefe de IA da Meta. A essência da JEPA é ensinar o sistema a interpretar o significado de partes ausentes dos dados, concentrando-se no contexto geral, e não apenas tentando prever o valor exato da lacuna.

Essa metodologia foi adaptada para séries temporais de saúde, dando origem ao modelo JETS. Ao invés de tentar reconstruir um dado de frequência cardíaca faltante, por exemplo, o JETS aprende o contexto de como a frequência cardíaca se relaciona com a atividade física e o sono no mesmo período, permitindo análises mais consistentes e precisas.

O vasto conjunto de treinamento com 16 mil indivíduos

O sucesso do modelo JETS reside na amplitude e na profundidade do seu treinamento. Os pesquisadores do MIT e da Empirical Health reuniram um conjunto longitudinal massivo de dados de 16.522 indivíduos, totalizando os já mencionados 3 milhões de dias de registros biométricos.

As 63 métricas e seus domínios

Cada participante forneceu dados para 63 métricas diferentes, registradas em níveis diários ou inferiores. Estas métricas foram categorizadas em cinco domínios cruciais para a saúde:

1. Cardiovascular (incluindo frequência cardíaca e VFC).
2. Respiratório.
3. Sono.
4. Atividade Física.
5. Estatísticas Gerais (informações contextuais).

O pré-treinamento autossupervisionado

Um dos pontos mais curiosos e inovadores do estudo é que apenas 15% dos participantes tinham um histórico médico rotulado (diagnosticado). Se o estudo seguisse abordagens tradicionais, 85% do vasto material seria inutilizado. Para contornar isso, o JETS passou por um pré-treinamento autossupervisionado com toda a base de 3 milhões de dias, aprendendo a estrutura geral dos dados de saúde humana. Somente após esse aprendizado inicial, o modelo foi ajustado usando o pequeno subconjunto de dados rotulados, extraindo valor de material que, de outra forma, seria descartado.

Resultados de destaque e potencial na detecção de doenças

Ao ser colocado à prova contra modelos de referência, incluindo versões baseadas na arquitetura Transformer, o modelo JETS demonstrou um desempenho notável na capacidade de identificar potenciais casos de doenças, mesmo aquelas complexas.

A métrica AUROC na precisão preditiva

A equipe utilizou o AUROC (Area Under the Receiver Operating Characteristic) e AUPRC (Area Under the Precision-Recall Curve) — métricas que avaliam a capacidade da IA de distinguir corretamente casos positivos (doentes) de negativos (saudáveis). O JETS alcançou índices expressivos em diversas áreas:

• 86,8% de AUROC para hipertensão arterial.
• 70,5% para flutter atrial (um tipo de arritmia).
• 81% para síndrome da fadiga crônica.
• 86,8% para síndrome do nó sinusal (problema no marca-passo natural do coração).

É crucial entender que esses índices não medem a precisão diagnóstica direta, mas sim a capacidade do modelo de priorizar corretamente os pacientes que devem ser investigados por um profissional de saúde. No contexto médico, essa priorização significa antecipar a necessidade de um diagnóstico formal.

Extraindo valor de dados esparsos

O trabalho reforça o potencial do Apple Watch e de outros wearables como ferramentas médicas de longo prazo. O JETS provou ser capaz de extrair informações significativas mesmo de métricas que eram registradas em apenas 0,4% dos dias em que os dispositivos estavam em uso, enquanto outras métricas chegavam a 99% de registro. Isso demonstra que técnicas de IA modernas podem gerar valor preditivo consistente a partir de conjuntos de dados extremamente irregulares e heterogêneos.

Por que este estudo é um marco na saúde digital

O desenvolvimento do JETS não é apenas mais um algoritmo; ele sinaliza uma mudança fundamental na forma como a tecnologia de saúde é abordada.

Otimização e prevenção de longo prazo

O modelo permite a detecção de padrões de longo prazo que podem indicar o desenvolvimento gradual de doenças crônicas, algo que os exames pontuais anuais dificilmente capturam. Ao antecipar esses riscos, o JETS abre portas para a prevenção personalizada e intervenções médicas em fases iniciais da doença.

Democratização dos dados de saúde

Ao provar que a IA pode extrair valor de dispositivos populares e amplamente disponíveis, como o Apple Watch, o estudo impulsiona a utilização desses aparelhos como ferramentas médicas sérias. Isso pode democratizar o monitoramento contínuo da saúde, tornando a previsão de doenças mais acessível a um público maior, para além dos ensaios clínicos especializados.

O trabalho do MIT e da Empirical Health reforça a tese de que os dispositivos que usamos diariamente têm muito mais a oferecer para nossa saúde do que imaginávamos, pavimentando o caminho para um futuro onde a detecção de risco começa no nosso pulso.

Não perca nenhuma oportunidade de crédito e pagamento: acesso agora nossas últimas notícias no Seu Crédito Digital.