Los investigadores dicen que el algoritmo de inteligencia artificial utiliza datos de frecuencia cardíaca y movimiento para predecir la edad, el género y más

¿Cuánta información sobre el comportamiento de una persona puede obtener de un dispositivo portátil? Investigadores de la Universidad de Cambridge y el Instituto Alan Turing buscaron investigar esto en un estudio que involucró más de 280,000 horas de acelerómetro de muñeca y datos de electrocardiograma (ECG) portátil. Afirman haber entrenado con éxito clasificadores en el conjunto de datos para adquirir información fisiológicamente significativa y personalizada con un AUC superior al 70% (la proporción de verdaderos positivos a falsos positivos, donde más cerca de uno es mejor), incluidas las variables asociadas con la salud. y la aptitud física de las personas y las características demográficas.

Los dispositivos portátiles como el Apple Watch han permitido a las personas monitorear las actividades de manera discreta. Pero extraer el significado del registro del dispositivo de datos puede ser difícil porque los sensores portátiles a menudo miden señales de bajo nivel como la aceleración frente a eventos de interés de alto nivel, como arritmia, infección o aparición de obesidad. El aprendizaje automático ha demostrado ser muy prometedor en el reconocimiento de la actividad humana utilizando datos de sensores portátiles, pero la investigación se ha basado principalmente en conjuntos de datos etiquetados que son costosos de compilar y anotar.

Los investigadores de este estudio desarrollaron un sistema de inteligencia artificial llamado Step2Heart, un extractor de funciones autosupervisado de propósito general para datos de dispositivos portátiles que genera perfiles específicos de personas. («Auto-supervisado» implica que el sistema etiqueta los datos en sí mismo en lugar de depender de anotaciones humanas, como suele ser el caso). Step2Heart se basa en perfiles para predecir resultados relacionados con la salud con clasificadores a través del aprendizaje de transferencia, un aprendizaje automático en el que el modelo desarrollado para una actividad se reutiliza como punto de partida para un modelo en una segunda actividad.

El conjunto de datos se obtuvo de 2100 hombres y mujeres de 35 a 65 años como parte del estudio Fenland, que investiga la interacción entre factores ambientales y genéticos para determinar la obesidad, la diabetes tipo 2 y enfermedades metabólicas relacionadas. Se pidió a los participantes que usaran un sensor combinado de frecuencia cardíaca y movimiento en el pecho y un acelerómetro de muñeca durante una semana completa. Durante una visita al laboratorio, los participantes realizaron una prueba de cinta para determinar su tasa máxima de consumo de oxígeno. Su frecuencia cardíaca en reposo también se registró mediante el ECG de tórax.

Después del preprocesamiento, el conjunto de datos Step2Heart se entrenó en 1.506 participantes con datos de visitas al laboratorio y al sensor. En los experimentos, los investigadores intentaron predecir varios factores, incluida la tasa de consumo de oxígeno en sangre, la altura, el peso, el sexo, la edad, el IMC, la frecuencia cardíaca en reposo y el gasto energético de la actividad física (PAEE).

Los coautores del informe afirman que Step2Heart fue capaz de clasificar el sexo con 0,93 AUC, la altura con 0,82, PAEE con 0,80 y el peso con 0,77. Dijeron que manejaba métricas más desafiantes como el IMC, el oxígeno en sangre y la edad con alrededor de 0,70 AUC. Sin embargo, vale la pena señalar que su trabajo no considera el impacto potencial del desequilibrio en el conjunto de datos. La investigación ha demostrado que muchos de los datos utilizados para entrenar algoritmos para aplicaciones de atención médica pueden perpetuar las desigualdades a lo largo de líneas raciales, étnicas, geográficas y de género.

A pesar de esto, los investigadores dicen que su estudio muestra que los datos portátiles sin etiquetar se pueden usar para aprender perfiles que se generalizan en situaciones donde no es posible recopilar verdades fundamentales. «Estos escenarios son de gran importancia en la salud móvil, donde es posible que podamos obtener inferencias de salud de grado clínico con dispositivos ampliamente adoptados», escribieron los coautores, que tienen la intención de presentar su trabajo durante el taller de aprendizaje automático para salud móvil en próxima conferencia online de NeurIPS 2020. «Nuestro trabajo aporta aportes en el área del aprendizaje por transferencia y representaciones personalizadas, una de las más importantes en aprendizaje automático para la salud».


Cómo las startups están escalando la comunicación:

La pandemia está impulsando a las nuevas empresas a analizar más de cerca el auge de sus soluciones de comunicación. Aprender como


Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *