MIT团队用Apple Watch数据开发医疗预测模型

快速阅读: 12月10日消息，麻省理工学院与Empirical Health团队利用300万个人日Apple Watch数据开发JETS自监督模型，可有效预测多种疾病，即便数据缺失率高仍显著提升早期预警能力。

日前，麻省理工学院与Empirical Health的研究团队基于300万个人日的Apple Watch健康数据，开发出一种名为JETS的自监督基础模型，可有效预测多种医疗状况。该成果已入选神经信息处理系统大会（NeurIPS）相关研讨会。

JETS模型借鉴了联合嵌入预测架构（JEPA）的核心思想，针对可穿戴设备产生的不规则多变量时间序列数据进行优化。此类数据常因佩戴不连续而存在大量缺失，传统监督学习方法难以充分利用。研究显示，仅15%的参与者具备完整的医疗标签记录，但JETS通过自监督预训练从全部数据中学习表征，再对有标签子集进行微调，显著提升了模型泛化能力。

实验表明，JETS在多项疾病预测任务中表现优异：高血压和病态窦房结综合征的AUROC（受试者工作特征曲线下面积）均达86.8%，慢性疲劳综合征为81%，心房扑动为70.5%。尽管并非在所有指标上均领先，但其整体性能优于包括基于Transformer架构的早期版本在内的多个基线模型。

值得注意的是，该模型将每次观测转化为包含日期、数值和指标类型的“三元组”令牌，通过掩码机制预测缺失片段的嵌入表示，而非直接还原原始数值。这种方法更注重理解数据语义，而非精确重建。

研究团队指出，即便部分健康指标每日记录率低至0.4%，JETS仍能从中提取有效信号。这为挖掘日常可穿戴设备中不完整但海量的行为健康数据提供了新路径，有望提升疾病早期预警能力。

(以上内容均由Ai生成)