Um Trilhão de Minutos: A Escala do SensorFM do Google

O Google Research revelou o SensorFM, um modelo de fundação inovador projetado para transformar dados complexos e muitas vezes incompletos de sensores vestíveis em uma camada de inteligência de saúde de propósito geral. Este avanço é notável por ter sido treinado com uma base de dados sem precedentes: mais de um trilhão de minutos de dados não rotulados, coletados de cinco milhões de usuários de dispositivos Fitbit e Pixel Watch. Essa vasta quantidade de informação permitiu ao SensorFM aprender representações gerais de padrões fisiológicos e comportamentais humanos.

A amplitude dos dados utilizados é um diferencial. Foram coletados de mais de 100 países e de mais de 20 modelos diferentes de Fitbit e Pixel Watch, configurando o que os pesquisadores afirmam ser o maior e mais diverso conjunto de dados de wearables já utilizado para treinar um modelo desse tipo. O objetivo é substituir abordagens isoladas — onde um modelo detecta estágios do sono, outro estima riscos cardiovasculares e outro analisa estresse — por uma base de IA compartilhada que possa interpretar dados contínuos e frequentemente lacunosos de sensores para diversas questões de saúde, reduzindo a necessidade de dados de treinamento rotulados caros.

Desempenho Superior em 34 de 35 Tarefas de Saúde

Durante os testes, o SensorFM demonstrou uma capacidade impressionante, superando modelos de comparação que utilizavam recursos de wearables especialmente preparados em 34 das 35 tarefas de saúde e comportamento avaliadas. Este desempenho robusto abrangeu áreas como saúde cardiovascular e metabólica, saúde mental, sono, demografia e estilo de vida.

O modelo processa 34 características extraídas de cinco tipos de dados de sensores: monitoramento óptico da frequência cardíaca (PPG), aceleração, condutância da pele, temperatura da pele e altitude barométrica. Essas características incluem frequência cardíaca, variabilidade da frequência cardíaca, saturação de oxigênio no sangue, estágios do sono e dados de movimento, entre outros. O treinamento do modelo é feito de forma auto-supervisionada, reconstruindo segmentos de dados deliberadamente mascarados. Essa técnica, denominada “Adaptive and Inherited Masking” (AIM), sinaliza tanto valores genuinamente ausentes quanto valores artificialmente ocultos, permitindo que o SensorFM aprenda a lidar com ambos os tipos de lacunas de dados.

Os pesquisadores também observaram que o desempenho do SensorFM melhora sistematicamente com o aumento do tamanho do modelo e do volume de dados. Foram testadas quatro variantes do modelo, variando de aproximadamente 100 mil a 100 milhões de parâmetros, com conjuntos de dados de treinamento de 5 mil a cinco milhões de pessoas. No maior conjunto de dados de treinamento, o erro de reconstrução do maior modelo foi 31% menor do que o do menor modelo, e a configuração maior teve o melhor desempenho na maioria das tarefas de previsão.

Validação e Aplicações Futuras em Agentes de Saúde

Para validar o SensorFM, os pesquisadores o testaram em dados de três estudos separados, com um total de 13.985 participantes, dados que o modelo nunca havia visto durante o pré-treinamento. Além disso, o SensorFM foi integrado a um agente de saúde pessoal para uma comparação entre três variantes. Quatro clínicos avaliaram 93 resumos de saúde para 31 perfis de participantes reais, dedicando mais de 40 horas e produzindo 1.860 avaliações individuais.

Os resultados foram claros: os resumos aumentados com as previsões do SensorFM obtiveram pontuações significativamente mais altas do que a versão base em todas as cinco dimensões medidas: contexto, personalização, justificabilidade, relevância e segurança. Não houve diferença estatisticamente significativa geral entre os resumos que usaram previsões do SensorFM e aqueles que usaram dados de saúde reais conhecidos, embora isso não signifique que o SensorFM possa substituir medições ou diagnósticos clínicos.

Limitações Atuais e o Caminho Adiante

Apesar do seu potencial, o SensorFM, por enquanto, é puramente um modelo de pesquisa. Os pesquisadores apontam algumas limitações: o modelo foi treinado e testado apenas com dados de dispositivos Fitbit e Pixel Watch, e a transferibilidade dos resultados para outros wearables é uma questão em aberto. Além disso, o modelo não opera com sinais brutos de alta resolução, mas sim com dados agregados a nível de minuto, o que pode resultar na perda de padrões muito curtos ou detalhados. Muitos dos marcadores de saúde estudados são baseados em autorrelatos, registros de medicamentos ou questionários, e não em achados clinicamente confirmados. A população do estudo também não representa totalmente a população geral, e o agente de saúde foi avaliado em uma configuração estática, com respostas únicas, não em conversas mais longas com perguntas de acompanhamento.

Embora o Google já ofereça o Google Health Coach, baseado em Gemini, que fornece dicas personalizadas sobre fitness, sono, recuperação e outros tópicos de saúde, a empresa ainda não anunciou planos concretos para integrar o SensorFM ao Fitbit, Pixel Watch ou ao seu assistente de IA. No entanto, o modelo poderia eventualmente servir como uma base técnica para recursos como esses, prometendo uma camada de inteligência de saúde mais abrangente e personalizada no futuro.