מחקר חדש שנערך במסגרת Apple Heart and Movement Study מציג כיצד מודלי בינה מלאכותית מתקדמים מסוגלים לזהות מצבים בריאותיים שונים, וביניהם גם הריונות, באמצעות ניתוח מידע שנאסף מהשימוש היומיומי ב-Apple Watch ובאייפון.
את המחקר הובילו חוקרים מאפל בשיתוף בית החולים Brigham and Women’s Hospital והאגודה האמריקנית ללב (AHA), והוא מתבסס על ניתוח של מעל ל-2.5 מיליארד שעות פעילות של משתמשים, שנאספו מיותר מ-161,000 משתתפים.
זיהוי מוקדם של הריון, סוכרת ועוד
המחקר מתמקד ביכולת של מודלים מסוג Foundation Models לזהות דפוסים התנהגותיים פיזיולוגיים המשקפים שינויים במצב הבריאותי של המשתמש. לצורך כך נעשה שימוש במודל בשם WBM (ר”ת Wearable Behavior Model), שמאומן על נתוני פעילות ופעימות לב שנאספים לאורך חודשים באמצעות חיישנים בשעון החכם.
המודל מקבל כקלט 27 מדדים התנהגותיים כמו קצב הליכה, יציבות בצעדים, קצב נשימה, שונות בקצב הלב, רמת כושר גופני, משך שינה, הוצאה קלורית ועוד. בניגוד לנתוני חיישנים גולמיים שנאספים בכל שנייה, מדדים אלו משקפים התנהגות אנושית בקצב איטי יותר של ימים ושבועות ומתואמים יותר לשינויים בריאותיים ממשיים.
הנתונים מועברים דרך תהליך טוקניזציה לפי שבועות (ולא ימים), ומוזנים למודל מתקדם המבוסס על ארכיטקטורת Mamba-2, אשר נבחרה בזכות יכולתה לעבד טווחי זמן ארוכים בצורה טובה יותר ממודלים קלאסיים מסוג טרנספורמר (Transformers).
במקרה של הריון, החוקרים סימנו תקופה מוגדרת של 280 ימים לפני הלידה ו-30 ימים לאחר מכן כ”חיובית”, והשוו אותה לקבוצת נשים בגיל הפוריות שאינן בהיריון. המודל הצליח לזהות שינויים התנהגותיים שהופיעו בשלב מוקדם יחסית של ההיריון, עוד לפני שנרשמו שינויים ביולוגיים מובהקים בבדיקות קלאסיות.
לצד זיהוי מוקדם של הריונות, אותו מודל אומן לזהות גם מצבים נוספים:
- סוכרת סוג 2 (T2D)
- אבחון דיכאון קליני
- שינויים באיכות השינה
- התאוששות מניתוחים והרדמה כללית
- זיהומים נשימתיים
- פרפור פרוזדורים (Afib)
כל זאת תוך הסתמכות על מדדים התנהגותיים ולא רק על קריאות חיישן גולמיות, מה שהופך את המידע ליציב יותר, ניתן לפירוש אנושי, ומותאם למגמות ארוכות טווח.
ניתוח התוצאות
המודל נבדק על פני 57 משימות בריאות שונות, מהן 47 סטטיות (כמו נטילת תרופות ללחץ דם) ו-10 דינמיות (כמו זיהוי היריון, שינה, זיהום).
במבחנים אלה:
- WBM התעלה על מודל מבוסס PPG ב-18 מתוך 47 מטלות סטטיות.
- הוא ניצח בכל המשימות הדינמיות מלבד אחת (סוכרת, שבה PPG היה מדויק יותר).
הדיוק בזיהוי הריונות לבדו הגיע ל-92% כאשר שולבו יחד WBM ונתוני PPG. שילוב זה גם הניב תוצאות משופרות באופן עקבי בזיהוי שינה, זיהומים ופציעות.
החוקרים מדגישים כי מדדים התנהגותיים כמו יציבה, כושר גופני והליכה לא רק יציבים יותר מחיישנים גולמיים, אלא גם מבוססים על אלגוריתמים שאושרו קלינית, ולכן תואמים למצבים בריאותיים רלוונטיים. הם מושפעים מהתנהגות המשתמש, לא רק ממצבו הפיזיולוגי ברגע מסוים, ולכן מאפשרים זיהוי מוקדם של מצבים חולפים כמו היריון, בצורה מדויקת יותר.
המחקר מתבסס על נתונים ממשתמשי אייפון ו-Apple Watch בלבד, כולם מארצות הברית, כך שהיכולת להכליל את המסקנות לאוכלוסיות אחרות עדיין מוגבלת.
המשמעות לעתיד
המחקר מדגיש מגמה בה מכשירים לבישים כמו Apple Watch אינם משמשים רק למעקב אחר פעילות גופנית, אלא עשויים להפוך לכלים קליניים משמעותיים.
שילוב בין נתוני התנהגות לבין קריאות חיישן פיזיולוגיות עשוי להוביל ליצירת מערכות התראה מוקדמות, מותאמות אישית, מבוססות בינה מלאכותית, ולשנות את האופן שבו אנחנו עוקבים אחר הבריאות שלנו ביומיום.
