Una ricerca condotta da MIT e Empirical Health ha sfruttato un'estesa raccolta proveniente da Apple Watch per dimostrare che, con un'architettura adeguata, anche serie temporali irregolari possono offrire indicazioni attendibili sullo stato di salute. L'obiettivo è trattare con modelli progettati per gestire dati incompleti anche informazioni frammentarie, che in questo modo finiscono per diventare utili alla diagnosi precoce.
Il modello sviluppato, chiamato JETS, nasce come adattamento della Joint Embedding Predictive Architecture ideata da Yann LeCun. L'obiettivo è evitare la ricostruzione puntuale dei dati mancanti e concentrarsi invece sul significato delle parti assenti. Si tratta di una logica diversa rispetto ai sistemi che prevedono valori specifici e si inserisce nella linea di ricerca dedicata ai cosiddetti world models, orientati a rappresentare strutture generali degli eventi più che sequenze di token.
Lo studio del MIT che usa l'Apple Watch
Lo studio parte da un dataset composto da 16.522 partecipanti, per un totale di circa 3 milioni di person day (con person day si intende il giorno di osservazione per una singola persona), con 63 metriche rilevate a intervalli variabili. Le informazioni riguardano attività fisica, sonno, parametri cardiaci, respirazione e statistiche generali. Solo una minoranza del campione disponeva di dati clinici etichettati, condizione che avrebbe ridotto drasticamente l'utilità del dataset per un modello supervisionato. Per aggirare il limite, i ricercatori hanno adottato un pre training auto-supervisionato sull'intero archivio e una fase di fine tuning sulla parte etichettata.
Per processare le serie temporali irregolari, ogni osservazione è stata convertita in un token basato su giorno, valore e tipo di metrica. I token sono stati poi mascherati e sottoposti al modello, incaricato di prevedere le rappresentazioni delle parti mancanti. Una volta addestrato, JETS è stato confrontato con modelli di riferimento, compreso un prototipo precedente basato su Transformer, attraverso AUROC e AUPRC, metriche utilizzate per valutare la capacità di distinguere casi positivi e negativi.
I risultati includono un AUROC dell'86,8 % per l'ipertensione, del 70,5 % per il flutter atriale, dell'81 % per la sindrome da fatica cronica e dell'86,8 % per la sick sinus syndrome. La performance non è uniforme per tutte le condizioni, ma il vantaggio rispetto ai modelli di confronto appare evidente. Inoltre, AUROC e AUPRC non misurano l'accuratezza in senso stretto, bensì la capacità del modello di ordinare correttamente i casi più probabili, aspetto rilevante nei contesti di screening.
L'analisi mette in luce anche la possibilità di valorizzare dati che altrimenti verrebbero scartati: alcune metriche compaiono nel dataset solo per lo 0,4 % dei giorni, mentre altre sono registrate quasi quotidianamente. L'approccio adottato consente di integrare entrambe le tipologie senza penalizzare eccessivamente la qualità delle previsioni. Questo dimostra che i dispositivi indossabili possono offrire un contributo utile alla ricerca medica anche quando l'uso non è continuativo.
La ricerca conferma un interesse crescente verso modelli capaci di interpretare dati reali, soggetti a irregolarità e interruzioni. Con l'aumento dei sensori presenti negli indossabili, la quantità di informazioni potenzialmente sfruttabili continuerà a crescere. L'integrazione di tecniche auto-supervisionate potrebbe diventare una strada importante per trasformare dati eterogenei in strumenti di prevenzione più efficaci. Intanto il pagamento a rate con Klarna è ufficialmente disponibile in Italia su Apple Pay.
