Apple Watch ve iPhone’dan toplanan davranışsal verilerle eğitilen yeni bir yapay zekâ modeli, sağlık durumlarını tespit etmede bugüne kadar kullanılan geleneksel sensör verilerine dayalı sistemlerden daha başarılı sonuçlar verdi. Apple’ın desteklediği ve Apple Heart and Movement Study (AHMS) kapsamında hazırlanan çalışmada geliştirilen bu model, 2,5 milyar saatlik giyilebilir cihaz verisi üzerinden eğitildi ve özellikle dinamik sağlık durumlarının belirlenmesinde dikkat çekici doğruluk oranlarına ulaştı.
Apple Watch sağlık alanında yapay zekadan faydalanacak
Wearable Behavior Model (WBM) adı verilen bu yeni yapay zekâ sistemi, kalp atış hızı veya kan oksijen seviyesi gibi anlık ve düşük seviyeli biyometrik veriler yerine, Apple Watch’un uzun vadede topladığı yüksek seviyeli davranışsal metrikleri temel alıyor. Bunlar arasında adım sayısı, hareketlilik, uyku süresi, VO₂ max ve yürüyüş dengesi gibi, günlük yaşantıdan doğrudan türeyen ölçümler yer alıyor. Model, bu metrikler aracılığıyla kullanıcının genel sağlık durumu hakkında çok daha tutarlı ve uzun vadeli analizler sunabiliyor.
Araştırma kapsamında 161.855 Apple Watch ve iPhone kullanıcısından toplanan veriler, haftalık bloklara ayrıldı ve GPT benzeri Transformer mimarisinden daha verimli olduğu belirtilen Mamba-2 altyapısı üzerinden işlendi. Model, toplam 57 farklı sağlık tespit görevinde test edildi. Bunların 47’si sabit sağlık durumlarını (örneğin kişinin beta bloker kullanıp kullanmadığı gibi) ve geri kalanı ise gebelik, uyku kalitesi veya solunum yolu enfeksiyonu gibi değişken sağlık durumlarını kapsıyordu.
Test sonuçlarına göre WBM, sabit sağlık tespiti görevlerinde 18 farklı alanda klasik PPG tabanlı modellere üstünlük sağladı. Dinamik sağlık durumlarında ise model, yalnızca diyabet tespitinde geride kaldı. Gebelik tespiti gibi senaryolarda %92’ye varan doğruluk oranına ulaşıldı. Uyku kalitesi, enfeksiyon, sakatlık ve atriyal fibrilasyon gibi kalp ritmiyle ilgili durumların belirlenmesinde de benzer şekilde başarılı sonuçlar elde edildi.
Katlanabilir iPhone modeli için çalışmalar başladı
Çalışma, davranışsal verilerin ham sensör verilerine alternatif değil, tamamlayıcı olduğunu vurguluyor. WBM uzun vadeli eğilimleri yakalarken, PPG gibi biyometrik veriler kısa vadeli fizyolojik değişiklikleri gözlemleme konusunda avantaj sağlıyor. İki veri türünün birlikte kullanılması, erken teşhis ve daha kapsamlı sağlık analizi açısından en verimli sonuçları ortaya koyuyor.
Araştırmanın preprint versiyonu “Beyond Sensor Data: Foundation Models of Behavioral Data from Wearables Improve Health Predictions” başlığıyla yayımlandı. Elde edilen bulgular, Apple’ın sağlık alanındaki yapay zekâ temelli çalışmalarında geleneksel sensör mimarisinden davranış merkezli modellere doğru önemli bir yönelimi işaret ediyor.
