Google Research presento SensorFM, un modelo fundacional que aprende una representacion general de la fisiologia y la conducta humana a partir de datos de sensores de wearables recolectados de cinco millones de personas. El modelo puede aplicarse a 35 tareas distintas de salud y comportamiento.

Hoy, la mayoria de las funciones de salud en wearables estan hechas para un solo proposito: un modelo detecta las fases del sueno, otro estima el riesgo cardiovascular, otro analiza el estres o marcadores metabolicos. Google quiere reemplazar estos enfoques aislados con una base de IA compartida que interprete datos de sensores continuos y muchas veces incompletos, reduzca la necesidad de costosos datos etiquetados y, eventualmente, entregue contexto personalizado a asistentes de salud con IA.

¿Con cuantos datos se entreno SensorFM?

El modelo aprende de forma auto-supervisada, reconstruyendo segmentos de datos deliberadamente ocultos. Los investigadores usaron mas de un billon de minutos de datos multimodales de sensores de cinco millones de usuarios de Fitbit y Pixel Watch para el preentrenamiento. Los datos provienen de mas de 100 paises y se recolectaron con mas de 20 modelos distintos de Fitbit y Pixel Watch. Segun los autores, es el conjunto de datos de wearables mas grande y diverso jamas usado para entrenar un modelo de este tipo.

SensorFM procesa 34 caracteristicas extraidas de cinco tipos de datos de sensores: fotopletismografia optica del ritmo cardiaco (PPG), aceleracion, conductancia de la piel, temperatura de la piel y altitud barometrica. Entre las variables estan el ritmo cardiaco, su variabilidad, la saturacion de oxigeno en sangre, las fases del sueno y datos de movimiento. La tecnica de enmascaramiento, llamada Adaptive and Inherited Masking (AIM), distingue los valores genuinamente faltantes de los ocultados de forma artificial durante el entrenamiento, para que el modelo aprenda a manejar ambos tipos de vacios.

Los investigadores reportan que el rendimiento mejora de forma sistematica cuando el tamano del modelo y el volumen de datos crecen juntos. Las cuatro variantes probadas van de unos 100.000 a 100 millones de parametros, y los conjuntos de entrenamiento abarcan de 5.000 a cinco millones de personas. Con el dataset mas grande, el error de reconstruccion del modelo mayor fue 31 por ciento menor que el del mas pequeno.

SensorFM gana en 34 de 35 tareas

Los investigadores probaron SensorFM con datos de tres estudios separados, con un total de 13.985 participantes que el modelo nunca vio durante el preentrenamiento. Lo evaluaron en 35 tareas de prediccion que cubren salud cardiovascular y metabolica, salud mental, sueno, demografia y estilo de vida.

Incluso modelos simples especificos por tarea, construidos sobre las representaciones aprendidas por SensorFM, superaron a las bases supervisadas con caracteristicas disenadas a mano en 34 de las 35 tareas, segun el paper. El preentrenamiento a escala tambien hizo a SensorFM mas eficiente en el uso de etiquetas: el modelo pudo adaptarse a tareas nuevas con relativamente pocos ejemplos etiquetados.

Para adaptar las representaciones a tareas nuevas, los investigadores montaron un "aula" de agentes LLM que competian y colaboraban. Estos agentes generaron, probaron y refinaron codigo de forma repetida, corriendo mas de 30.000 experimentos en el proceso.

¿Mejora las respuestas de un asistente de salud?

Los investigadores tambien integraron SensorFM en un agente de salud personal y compararon tres variantes. Las tres recibieron informacion demografica y resumenes diarios calculados a partir de datos de wearables. Una variante ademas recibio predicciones de SensorFM para varios marcadores de salud; una segunda recibio los valores reales conocidos de esos mismos marcadores; y la tercera no recibio nada extra, como base de comparacion.

Cuatro medicos evaluaron 93 resumenes de salud de 31 perfiles reales de participantes, dedicando mas de 40 horas y produciendo 1.860 valoraciones individuales. El resultado: los resumenes enriquecidos con predicciones de SensorFM puntuaron significativamente mas alto que la base en las cinco dimensiones medidas (contexto, personalizacion, justificabilidad, relevancia y seguridad). No hubo diferencia estadisticamente significativa entre los resumenes que usaron predicciones de SensorFM y los que usaron datos reales de salud conocidos. Aun asi, esto no significa que SensorFM pueda reemplazar mediciones o diagnosticos clinicos.

Por ahora sigue siendo un modelo de investigacion

Los investigadores senalan varias limitaciones. SensorFM se entreno y probo solo con datos de Fitbit y Pixel Watch, y no esta claro si los resultados se transfieren a otros wearables. El modelo tampoco trabaja con senales crudas de alta resolucion, sino con datos agregados a nivel de minuto, lo que puede perder patrones muy cortos o finos. Muchos de los marcadores estudiados se basan en autorreportes, registros de medicacion o cuestionarios, mas que en hallazgos confirmados clinicamente.

SensorFM es por ahora un modelo puramente de investigacion. Google ya ofrece el Google Health Coach basado en Gemini, que entrega consejos personalizados sobre fitness, sueno y recuperacion. SensorFM podria servir de base tecnica para funciones asi, pero Google no anuncio planes concretos de integrarlo en Fitbit, Pixel Watch ni en el asistente de IA.

Contexto para LatAm

La discusion sobre wearables de salud con IA suele quedar lejos de la region, pero el punto clave de SensorFM es la escala del dato, no el hardware: cinco millones de usuarios y mas de 100 paises. Cualquier usuario chileno de un Fitbit o Pixel Watch ya aporta, de forma anonimizada, a este tipo de corpus. La contracara es de privacidad: un modelo capaz de inferir sintomas de depresion o ansiedad a partir del pulso y el movimiento plantea preguntas regulatorias que la Ley 21.719 de datos personales en Chile recien empieza a abordar.