Nel corso degli anni, Apple ha collaborato con ricercatori medici su una vasta gamma di tematiche, che vanno dal monitoraggio del ciclo mestruale al pickleball, dalla perdita dell’udito al tracciamento del sonno. L’azienda ha anche analizzato gli allenamenti e gli esercizi cardio dei maratoneti nell’ambito di uno studio pluriennale denominato Heart and Movement Study, basato sull’Apple Watch.
Questo studio fa parte di un’iniziativa più ampia volta a promuovere il movimento salutare e a migliorare la salute cardiovascolare. Ora, un nuovo studio finanziato da Apple, che sfrutta i dati raccolti nell’ambito dello studio Heart and Movement, mostra come i dati comportamentali possano rivelarsi indicatori di salute più efficaci dei dati biometrici convenzionali ottenuti tramite i sensori hardware.
Il documento, intitolato “Beyond Sensor Data: Foundation Models of Behavioral Data from Wearables Improve Health Predictions“, afferma che parametri quali l’attività fisica, la forma cardiovascolare e la mobilità siano particolarmente utili nel rilevare stati di salute transitori e statici.
Per stato statico s’intendono, ad esempio, informazioni quali se una persona sia fumatrice, se soffra di ipertensione o se assuma beta-bloccanti. La gravidanza, invece, rientra in uno stato transitorio. I dati raccolti dai sensori sono solitamente riferiti a intervalli temporali molto brevi, di secondi, mentre uno stato transitorio come la gravidanza può durare mesi.
Il modello WBM (wearable behavior model)
Partendo da queste considerazioni, i ricercatori hanno sviluppato un modello chiamato WBM (wearable behavior model), basato sull’elaborazione dei dati comportamentali raccolti dai dispositivi indossabili. Questo modello è stato addestrato utilizzando i dati di 162.000 partecipanti e oltre 15 miliardi di misurazioni orarie provenienti dallo studio Heart and Movement condotto da Apple.
A differenza dei tradizionali modelli che analizzano i dati biometrici grezzi, il WBM si basa su 27 parametri calcolati da HealthKit, quindi su valori già elaborati secondo metodi validati da esperti. Questi includono il tempo dedicato all’attività fisica, il tempo trascorso in piedi, la saturazione di ossigeno nel sangue, la frequenza cardiaca e molti altri.
Secondo i ricercatori, rispetto all’analisi dei dati grezzi dei sensori, queste metriche derivate sono più affidabili, in quanto rappresentano meglio gli stati fisiologici significativi. In pratica, il modello WBM sfrutta i pattern comportamentali per prevedere lo stato di salute di una persona e, secondo lo studio, riesce a farlo meglio dei metodi tradizionali che si basano esclusivamente sui flussi di dati biometrici.
Supera anche il PPG
Lo studio sottolinea che il WBM è particolarmente efficace nei compiti basati sul comportamento, come la previsione del sonno, e che migliora ulteriormente se combinato con le rappresentazioni dei dati grezzi raccolti dai sensori. Il WBM è stato testato su 57 compiti legati alla salute e ha superato il tradizionale modello PPG (fotopletismografia) nella maggior parte dei casi.
In particolare, il WBM ha fornito risultati migliori nella previsione di stati statici, come l’assunzione di beta-bloccanti, riuscendo a rilevare con maggiore affidabilità una riduzione della frequenza cardiaca durante il giorno. Ha anche superato il PPG nella previsione di stati transitori come la gravidanza, ma non nel caso del diabete. Secondo i ricercatori, il motivo è che i dati grezzi dei sensori sono più efficaci quando le informazioni fisiologiche sono sufficienti per la previsione.
Un approccio ibrido: PPG + WBM
Per questo motivo, gli scienziati hanno sperimentato anche un modello ibrido che combina WBM e PPG, ottenendo un significativo miglioramento delle prestazioni predittive. Il WBM cattura i comportamenti, ovvero i modelli ricorrenti nel tempo, mentre il PPG rileva i cambiamenti fisiologici istantanei. Queste due componenti si completano a vicenda, ma solo quando i dati comportamentali aggiungono valore informativo.
Lo studio afferma:
“Nella maggior parte dei casi testati, la combinazione dei due modelli ha prodotto i risultati migliori”.
Questo approccio ha fornito le previsioni più accurate dell’età biologica, superando qualsiasi modello utilizzato singolarmente.
Il modello ibrido si è rivelato particolarmente utile nella rilevazione della gravidanza, in quanto entrambi i tipi di dati, comportamentali e fisiologici, sono fondamentali per individuare correttamente uno stato transitorio di questo tipo. Nel complesso, il modello WBM+PPG ha ottenuto i migliori risultati in 42 dei 47 test eseguiti.
Cosa significa per Apple Watch?
Cosa implica tutto questo per l’utente finale? È possibile che Apple decida di integrare un approccio ibrido di questo tipo nei suoi futuri dispositivi e aggiornamenti software. Un modello simile al WBM, abbinato ai sensori PPG ed ECG già presenti negli Apple Watch, potrebbe consentire una nuova generazione di funzionalità predittive legate alla salute.
Apple ha sempre dimostrato un forte interesse per le tecnologie nel campo medico e sanitario, pertanto è plausibile che possa adottare questo tipo di modelli per offrire strumenti diagnostici e di prevenzione ancora più avanzati. Questo studio rappresenta un’ulteriore conferma del potenziale inespresso dei dispositivi indossabili e apre la strada a una nuova era dell’intelligenza artificiale nel campo della salute direttamente al polso degli utenti.