Google treina modelo de saúde SensorFM com um trilhão de minutos de dados de wearables e aponta para o futuro da medicina preventiva contínua

Um trilhão de minutos de dados de pulso estão ensinando a IA a entender o corpo humano

Existe uma diferença fundamental entre monitoramento de saúde e compreensão de saúde. Wearables fazem monitoramento há anos: medem frequência cardíaca, contam passos, registram sono, detectam saturação de oxigênio no sangue. Os dados existem. O que faltava era um sistema capaz de encontrar no padrão temporal desses dados a linguagem da fisiologia humana, de forma que um único modelo pudesse responder perguntas sobre cardiovascular, metabolismo, saúde mental e sono sem ser retreinado para cada domínio separadamente.

O Google Research apresentou o SensorFM, um modelo de fundação para saúde vestível que foi pré-treinado com mais de um trilhão de minutos de dados de sensores de cinco milhões de pessoas em mais de cem países. É o maior corpus de dados de saúde contínua já usado para treinar um modelo de fundação, e o que ele revela sobre o que é possível detectar a partir de um relógio no pulso está redefinindo o que wearables podem ser.

O que torna o SensorFM diferente dos modelos de saúde anteriores

A maioria dos modelos de IA para saúde em wearables foi construída para um único resultado: este modelo detecta fibrilação atrial, aquele prevê qualidade de sono, este estima glicemia. Cada modelo é treinado do zero para sua tarefa específica, com dados rotulados específicos, e não transfere o que aprendeu para nenhuma outra aplicação.

O SensorFM inverte essa lógica ao aprender uma representação geral da fisiologia humana a partir de dados brutos de sensores, sem supervisão de rótulos específicos. Ele processa 34 características por minuto de cinco modalidades de sensores: frequência cardíaca, variabilidade da frequência cardíaca, saturação de oxigênio no sangue, temperatura da pele e movimento. Esse processamento de um trilhão de minutos de dados ensina o modelo a construir uma representação do que é “normal” para um humano em diferentes estados fisiológicos, ao longo do tempo, considerando variação individual e contextual.

Quando essa representação aprendida, chamada de embedding, é aplicada a uma nova tarefa, basta adicionar uma camada linear simples por cima. Não é necessário retreinar o modelo. Os embeddings já carregam a estrutura da fisiologia que o modelo absorveu durante o pré-treinamento.

O resultado que valida a abordagem

A avaliação do SensorFM usou 35 tarefas de previsão de saúde extraídas de três estudos clínicos independentes, com quase 14 mil participantes, num design que minimiza overfitting às particularidades dos dados de treinamento. O resultado foi que os embeddings congelados do SensorFM com apenas uma camada linear simples superaram as linhas de base supervisionadas com engenharia manual de features em 34 das 35 tarefas.

Isso é um resultado extraordinário por dois motivos. Primeiro, porque as linhas de base supervisionadas foram construídas por especialistas que sabiam exatamente para qual tarefa estavam otimizando. O SensorFM não sabia: ele usou uma representação geral e não tarefa-específica, e mesmo assim foi melhor. Segundo, porque a consistência em 34 de 35 tarefas sugere que a representação aprendida é genuinamente geral, não específica para alguns domínios e fraca em outros.

A detecção de saúde mental como caso mais revelador

Dos domínios cobertos pelo SensorFM, a detecção de depressão e ansiedade a partir de dados de wearables é o resultado mais revelador do que o modelo está fazendo internamente.

Depressão e ansiedade não têm manifestações físicas óbvias que um sensor no pulso possa medir diretamente. O que elas deixam são rastros sutis em múltiplos sinais fisiológicos ao longo do tempo: padrões de variabilidade de frequência cardíaca que refletem regulação autonômica alterada, padrões de sono perturbados, alterações na atividade física, variações em temperatura. Nenhum desses sinais, individualmente, distingue de forma confiável saúde mental comprometida de variação normal. O padrão temporal de combinações desses sinais, ao longo de dias e semanas, contém a informação.

Um modelo que aprendeu a representar fisiologia humana a partir de um trilhão de minutos de dados de cinco milhões de pessoas provavelmente aprendeu a reconhecer esses padrões coletivos mesmo sem ter sido treinado especificamente para isso. A detecção eficaz de depressão e ansiedade sugere que o SensorFM aprendeu algo real sobre como estados de saúde mental se manifestam nos dados de sensores corporais contínuos.

A escalabilidade sem saturação que sugere muito mais está por vir

Uma descoberta adicional do paper que tem implicações de longo prazo é que os ganhos de desempenho do SensorFM com mais dados e modelos maiores foram quase lineares, sem nenhum sinal de saturação. A variante maior, SensorFM-B, treinada no corpus completo de cinco milhões de pessoas, reduziu a perda de reconstrução em 31% em relação ao menor modelo e melhorou o desempenho em tarefas downstream em média 9%.

Quando modelos de linguagem escalaram da mesma forma, o resultado foi a revolução que estamos vivendo hoje. Se modelos de fundação para saúde em wearables têm a mesma propriedade de escalabilidade, a trajetória que está sendo descrita é de um recurso de saúde que vai ficando progressivamente mais preciso e mais abrangente à medida que mais dados e mais capacidade de compute são aplicados. E a escala de dados disponíveis, com dispositivos Fitbit e Pixel Watch em mais de cem países gerando dados continuamente, é imensurável.

A “sala de aula” agêntica que automatiza a adaptação a novas tarefas

O paper também descreve uma abordagem metodológica que merece atenção além dos resultados em saúde: para automatizar a adaptação do SensorFM a novas tarefas, os pesquisadores construíram o que chamaram de “sala de aula” agêntica, um sistema de agentes LLM colaborativos que geram, testam e refinam iterativamente as camadas de predição adicionadas por cima dos embeddings do SensorFM.

Ao longo dos experimentos, esse sistema explorou mais de 30 mil soluções candidatas para adaptação a diferentes tarefas de saúde. É uma combinação de modelo de fundação para fisiologia com agentes de IA que automatizam o processo de engenharia de adaptação, reduzindo a necessidade de especialistas humanos para cada nova tarefa de saúde que se quer adicionar ao sistema.

Essa combinação, fundação de saúde mais orquestração agêntica de adaptação, é a arquitetura que pode tornar o SensorFM genuinamente geral: à medida que novas condições de saúde precisam ser monitoradas, o processo de criar a capacidade de monitorá-las fica progressivamente mais automatizado.

O Agente de Saúde Pessoal como visão de produto

A aplicação mais concreta do SensorFM descrita no paper é a integração com o que o Google chama de Agente de Saúde Pessoal, um sistema que usa os embeddings do SensorFM para gerar resumos do estado de saúde do usuário baseados em seus dados de wearable.

Em estudo avaliado por clínicos, os resumos gerados pela integração SensorFM e Agente de Saúde Pessoal foram considerados de qualidade equivalente a resumos baseados em medições clínicas reais em todas as cinco dimensões de avaliação, sem diferença estatisticamente distinguível entre as previsões do modelo e os dados clínicos de referência.

Traduzindo: a IA usando dados do seu Fitbit ou Pixel Watch conseguiu gerar resumos de saúde que médicos consideraram equivalentes aos que gerariam com medições de clínica. Isso não significa que o wearable substitui o médico, mas significa que a qualidade da informação disponível para monitoramento contínuo de saúde pode ser significativamente maior do que o que as aplicações atuais de wearables oferecem.

O que isso significa para o futuro da saúde preventiva

A visão de longo prazo que o SensorFM representa é de saúde contínua e preventiva como norma em vez de cuidado episódico e reativo. Em vez de ir ao médico quando você sente que algo está errado e fazer exames pontuais num momento específico, o modelo descreve um futuro onde o monitoramento contínuo detecta padrões preocupantes semanas antes de você se sentir doente.

Para condições como depressão e ansiedade, onde o diagnóstico atual depende de questionários subjetivos e consultas que frequentemente acontecem depois que o problema já está estabelecido, a capacidade de detectar sinais fisiológicos de risco semanas antes pode transformar completamente o modelo de cuidado.

Para doenças cardiovasculares, que são a principal causa de morte no mundo e que frequentemente têm sinais precursores que aparecem no ritmo cardíaco e na variabilidade antes de qualquer sintoma perceptível, o monitoramento contínuo por um modelo suficientemente sensível poderia salvar vidas em escala.

O SensorFM ainda é pesquisa. Há uma distância substancial entre resultados promissores em estudos clínicos e um produto que chega ao usuário de um Pixel Watch ou Fitbit e realmente muda como ele monitora sua saúde. Mas o que o Google Research publicou é evidência de que a direção é viável e que a escala necessária para fazer isso funcionar está disponível.

Um trilhão de minutos de dados de pulso estão ensinando a IA a ler o corpo humano. O que ela vai dizer quando terminar de aprender é uma das questões mais importantes que a medicina preventiva já enfrentou.