Apple tarafından desteklenen yeni bir bilimsel araştırma, sağlık takibinde çığır açacak bir yaklaşımı ortaya koydu. Araştırmaya göre hareket, uyku ve egzersiz gibi davranışsal veriler, kalp atış hızı gibi geleneksel biyometrik ölçümlerden çok daha güçlü bir sağlık göstergesi olabilir.
Bu tezi kanıtlamak için geliştirilen ve giyilebilir cihaz verileriyle eğitilen yeni yapay zeka modeli, sağlık durumlarını tespit etmede şaşırtıcı sonuçlar verdi.
Araştırmacılar, Apple Kalp ve Hareket Çalışması (AHMS) kapsamında 2,5 milyar saatten fazla giyilebilir cihaz verisiyle yeni bir temel model eğitti. Bu modelin, düşük seviyeli sensör verilerine dayanan mevcut modellerden daha iyi performans gösterdiği kanıtlandı.
Apple’ın yeni modeli WBM, davranışsal verilere odaklanıyor
Araştırmacılar, geliştirdikleri yeni modele “Giyilebilir Davranış Modeli” (WBM) adını verdi. Önceki sağlık modelleri genellikle Apple Watch’un kalp atış hızı veya EKG gibi ham sensör verilerine dayanırken, WBM doğrudan daha üst düzey davranış metriklerinden öğreniyor.
Bu metrikler arasında adım sayısı, yürüme dengesi, hareketlilik ve VO₂ max gibi Apple Watch’un topladığı ve işlediği veriler bulunuyor.
Peki ham sensörler varken bu yeni modele neden ihtiyaç duyuldu? Araştırmaya göre ham sensör verileri anlık (saniyeler içinde) ve gürültülü olabiliyor. Ancak sigara içme geçmişi, hipertansiyon veya hamilelik gibi sağlık durumlarını tespit etmek için günler ve haftalar gibi daha uzun zaman dilimlerindeki davranışsal eğilimler gerekiyor.
WBM, işte bu uzun vadeli ve rafine edilmiş davranışsal verilerdeki kalıpları anlamak için tasarlandı. Örneğin, bir kişinin yürüme şekli veya genel aktivite düzeyindeki değişimler, hamilelik gibi durumları tespit etmede kilit rol oynayabiliyor.
Teknik detaylar ve başarı oranları
WBM, AHMS çalışmasına katılan 161.855 kişinin Apple Watch ve iPhone verileri kullanılarak eğitildi. Model, ham veri akışları yerine aktif enerji, yürüme hızı, kalp atış hızı değişkenliği ve uyku süresi gibi insan tarafından yorumlanabilen 27 farklı davranış metriği ile beslendi. 57 farklı sağlık görevinde test edilen WBM, özellikle dinamik görevlerde (hamilelik, uyku kalitesi veya solunum yolu enfeksiyonu gibi) mevcut sensör tabanlı modellerden daha iyi performans gösterdi.
En etkileyici sonuç ise iki modelin birleştirilmesiyle elde edildi. WBM ve sensör verilerini birlikte kullanan hibrit model, hamilelik tespitinde %92 gibi muazzam bir doğruluk oranına ulaştı.
Ayrıca uyku kalitesi, enfeksiyon ve atriyal fibrilasyon (AFib) gibi kardiyovasküler görevlerde de tutarlı bir şekilde daha başarılı oldu. Çalışmanın amacı, sensör verilerini WBM ile değiştirmek değil, bu iki yaklaşımı birleştirerek daha güçlü bir sağlık izleme sistemi oluşturmaktır.
