Apples neues KI-Modell verbessert Gesundheitsprognosen mit Verhaltensdaten aus Wearables

Neue Entwicklungen im Bereich der Künstlichen Intelligenz zeigen, dass Informationen über das Verhalten von Nutzer:innen wertvoller für Gesundheitsprognosen sein können als klassische biometrische Messwerte. Durch den Einsatz von KI-Algorithmen und Wearable-Daten lassen sich Gesundheitszustände präziser erkennen. Im Folgenden erhältst Du einen fundierten Überblick über die technische Umsetzung und die Ergebnisse der aktuellen Apple-Studie.

Warum Verhaltensdaten entscheidend sind

Traditionell nutzen Wearables wie die Apple Watch Rohdaten von Sensoren wie Herzfrequenz oder Blutsauerstoff. Das neue Wearable Behavior Model (WBM) verlagert den Fokus auf interpretierbare, höherwertige Verhaltensmetriken. Dazu zählen beispielsweise Schrittzahl, VO₂ max, Gangstabilität, Mobilität und Schlafdauer.

Verhaltensdaten bieten Vorteile, da sie auf aggregierten Messwerten basieren. Diese sind weniger anfällig für Rauschen (zufällige Messdaten – Anm. d. R.) und besser strukturiert. Dadurch lassen sich sowohl langfristige Gesundheitsentwicklungen als auch kurzfristige Veränderungen präziser modellieren. Die Studie betont, dass Verhaltensmetriken den Zustand einer Person umfassender abbilden und für die Früherkennung von Veränderungen, z.B. Schwangerschaft, geeignet sind.

Technologische Details der KI-Studie

Das WBM wurde mit Daten von 161.855 Teilnehmer:innen der Apple Heart and Movement Study trainiert. Insgesamt flossen über 2,5 Milliarden Stunden an gesammelten Informationen ein. Anstelle von Rohsensorwerten nutzte das Modell 27 interpretable, menschzentrierte Verhaltensmetriken, wie etwa aktive Energie oder Herzfrequenzvariabilität

Zur Anwendung kam eine neue Architektur basierend auf Mamba-2, die für diese Aufgaben bessere Genauigkeit als bisherige Transformer-Modelle bietet. Die Analysen erfolgten in Wochenblöcken, wodurch sowohl statische als auch dynamische Gesundheitszustände erkannt werden können. Die KI übertraf bei vielen Aufgaben bestehende PPG-basierte Modelle, vor allem bei dynamisch wechselnden Zuständen wie Schlafqualität oder Infektionen.

Kombinierte Systeme liefern höchste Präzision

Die Studie stellte fest, dass die besten Ergebnisse durch die Kombination von WBM und traditionellen Sensordaten erzielt werden. Der hybride Ansatz lieferte beispielsweise bei der Erkennung einer Schwangerschaft eine Genauigkeit von bis zu 92 Prozent. Auch bei weiteren Aufgaben, etwa bei der Detektion von Vorhofflimmern, zeigte die Methode stabile Verbesserungen.

Sensorbasierte Modelle bieten Vorteile bei kurzfristigen physiologischen Veränderungen, während Verhaltensdaten längerfristige Muster abbilden. Die Infrastruktur ermöglicht, frühzeitig und zuverlässig relevante Gesundheitsveränderungen zu erkennen. Die Forscher:innen empfehlen, beide Ansätze für eine umfangreiche und präzise Gesundheitsprognose zu integrieren.

Via: https://9to5mac.com

Den Beitrag in unserem Forum kommentieren