Apple के शोधकर्ताओं ने दक्षिणी कैलिफोर्निया विश्वविद्यालय के साथ एक नई कृत्रिम बुद्धिमत्ता (AI) मॉडल विकसित करने के लिए काम किया जो सेंसर संकेतों के व्यवहार डेटा को ट्रैक करता है। Apple हार्ट एंड एक्सरसाइज स्टडी (AHMS) से पिछले काम के आधार पर नया अध्ययन, यह समझना है कि क्या स्लीप पैटर्न और स्टेप काउंट जैसे व्यवहार डेटा पारंपरिक सूचकांक जैसे हृदय गति और रक्त ऑक्सीजन के स्तर की तुलना में किसी व्यक्ति के स्वास्थ्य को बेहतर ढंग से निर्धारित कर सकते हैं। कागज के अनुसार, यहां तक कि कुछ चेतावनियों के साथ, एआई मॉडल अच्छा प्रदर्शन करता है।
नए Apple अनुसंधान पारंपरिक स्वास्थ्य डेटा से परे जाने वाले लाभ दिखाते हैं
“बियॉन्ड सेंसर डेटा: बिहेवियरल डेटा बेसिक मॉडल फॉर वियरबल डिवाइसेस इम्प्रूव हेल्थ प्रेडिक्शन” शीर्षक से अध्ययन किया गया था, जिसे प्रीइंट जर्नल arxiv में प्रकाशित किया गया था और अभी तक साथियों द्वारा समीक्षा नहीं की गई है। शोधकर्ताओं ने पहनने योग्य व्यवहार मॉडल (डब्ल्यूबीएम) नामक एक एआई मॉडल विकसित करने के लिए निर्धारित किया, जो पहनने योग्य उपकरणों के प्रसंस्करण व्यवहार डेटा पर निर्भर करता है, जैसे कि कोई व्यक्ति कितने समय तक सोता है और उसके आरईएम चक्र, हर दिन उठाए गए कदम और चालें, और एक सप्ताह में गतिविधि के उनके पैटर्न कैसे बदलते हैं।
परंपरागत रूप से, किसी व्यक्ति के स्वास्थ्य की भविष्यवाणी या मूल्यांकन करने के लिए, पहनने योग्य स्वास्थ्य अध्ययन अक्सर कच्चे सेंसर रीडिंग पर ध्यान केंद्रित करते हैं, जैसे कि निरंतर हृदय गति की निगरानी, रक्त ऑक्सीजन के स्तर और शरीर के तापमान। अध्ययन का तर्क है कि जबकि ये डेटा कई बार उपयोगी हो सकते हैं, इसमें व्यक्ति के बारे में पूरी पृष्ठभूमि का भी अभाव है और विसंगतियां हो सकती हैं।
वैसे भी, व्यवहार डेटा भी अब तक अधिकांश पहनने योग्य प्रक्रियाओं का उपयोग किया गया है, जिनका उपयोग सिस्टम में लोगों के स्वास्थ्य के एक विश्वसनीय संकेतक के रूप में नहीं किया गया है। इस अध्ययन के अनुसार, दो मुख्य कारण हैं। सबसे पहले, डेटा सेंसर डेटा की तुलना में बहुत बड़ा है और इसलिए, बहुत शोर भी हो सकता है। दूसरा, एल्गोरिदम और सिस्टम बनाना बहुत चुनौतीपूर्ण है जो इस डेटा को एकत्र और विश्लेषण कर सकते हैं और स्वस्थ भविष्यवाणियां मज़बूती से कर सकते हैं।
यह वह जगह है जहां बड़े भाषा मॉडल (एलएलएम) आते हैं और विश्लेषण समस्याओं को हल करते हैं। डेटा में शोर को संबोधित करने के लिए, शोधकर्ताओं ने मॉडल को संरचित और संसाधित डेटा के साथ खिलाया। डेटा स्वयं 162,000 से अधिक Apple वॉच उपयोगकर्ताओं से आता है, जिन्होंने AHMS अध्ययन में भाग लिया, कुल 2.5 बिलियन घंटे से अधिक पहनने योग्य डेटा के साथ।
एक बार प्रशिक्षित होने के बाद, एआई मॉडल 27 विभिन्न व्यवहार संकेतकों का उपयोग करता है जो गतिविधि, हृदय स्वास्थ्य, नींद और गतिशीलता जैसी श्रेणियों में विभाजित होते हैं। तब 57 स्वास्थ्य संबंधी कार्यों में परीक्षण किए गए थे, जैसे कि यह पता लगाना कि क्या किसी को एक विशिष्ट चिकित्सा स्थिति (मधुमेह या हृदय रोग) और अस्थायी स्वास्थ्य परिवर्तनों (चोट या संक्रमण से उबरने) पर नज़र रखना है। बेसलाइन सटीकता की तुलना में, शोधकर्ताओं ने दावा किया कि WMB ने 47 परिणामों में से 39 से बेहतर प्रदर्शन किया।
WBM मॉडल परीक्षण मॉडल के प्रदर्शन और दोनों के संयोजन के बीच तुलना
छवि स्रोत: सेब
मॉडल के निष्कर्षों की तुलना एक अन्य परीक्षण मॉडल (जिसे फोटोप्लेथिममंगोग्राम ग्राफ (PPG) डेटा के रूप में भी जाना जाता है) के साथ तुलना की गई थी, जिसे केवल मूल हृदय डेटा के साथ खिलाया गया था। दिलचस्प बात यह है कि जब व्यक्तिगत रूप से तुलना की जाती है, तो कोई स्पष्ट विजेता नहीं होते हैं। हालांकि, जब शोधकर्ताओं ने दो मॉडलों का विलय कर दिया, तो भविष्यवाणी और स्वास्थ्य विश्लेषण की सटीकता को अधिक होने के लिए मापा गया।
शोधकर्ताओं का मानना है कि व्यवहार डेटा के साथ पारंपरिक सेंसर डेटा को मिलाकर स्वास्थ्य स्थितियों की भविष्यवाणी करने की सटीकता में सुधार हो सकता है। अध्ययन नोट करता है कि व्यवहार डेटा संकेतक को समझाना आसान है, वास्तविक जीवन के स्वास्थ्य परिणामों के साथ बेहतर है, और तकनीकी त्रुटियों से कम प्रभावित है।
यह ध्यान देने योग्य है कि अध्ययन कई प्रमुख सीमाओं पर भी प्रकाश डालता है। डेटा संयुक्त राज्य अमेरिका में Apple वॉच उपयोगकर्ताओं से आता है, जबकि वैश्विक आबादी का प्रतिनिधित्व नहीं किया जाता है। इसके अलावा, क्योंकि पहनने योग्य उपकरणों की उच्च कीमत व्यवहार डेटा को सटीक रूप से एकत्र और संग्रहीत कर सकती है, प्रिवेंटिव हेल्थ केयर तक पहुंच भी एक चुनौती बन जाती है।
