A University of Cambridge és az ugyancsak brit Alan Turing Institute kutatói sikeresen feldolgoztak és osztályoztak több mint 280 ezer órányi, fitnesz-karkötők gyorsulásméréseiből és elektrokardiográfia (EKG) szenzoraiból származó adatot, ami alapján lehetővé vált a fiziológiai szempontból is jelentőséggel bíró, személyre szabott információ begyűjtése ugyanezekről az eszközökről. A néhány nappal ezelőtt közzétett kutatási eredményekből kiderül, hogy az egyes személyek egészségére, fizikai állapotára vagy akár demográfiai karakterisztikáira jellemző változókat a rendszer már 70 százalék fölötti hatékonysággal azonosítja a valódi és a fals pozitívok arányát tekintve (AUC).

Bár a hordható elektronikai eszközök, mint például a megfelelő szenzorokkal felszerelet okos órák, szinte észrevétlenül és egyáltalán nem zavaró módon biztosítják a felhasználók aktivitásával kapcsolatos adatok begyűjtését, ezeknek az adatoknak a praktikus feldolgozása folyamatos kihívást jelent. Különösen, hogy a szenzorok gyakran mérnek olyan alacsony szintű jeleket, mint az említett gyorsulás, szemben az olyan magas szintű eseményekkel, mint az aritmia, a fertőzések vagy akár az elhízás.

A gépi tanulás persze eddig is látványos eredményeket vonultatott fel az emberi aktivitást leíró szenzoradatok értékelésében, de ez jellemzően olyan címkézett adatkészleteket érint, amelyeket kompilációja és megjelölése drága és hosszadalmas dolog. A most bemutatott, Step2Heart néven hivatkozott MI-rendszer ehhez képest egy olyan önfelügyelő mintafelismerő algoritmus, ami a hétköznapi hordható elektronikai eszközök (wearables) adataiból készít személyre szabott profilokat.

A gépi tanulás praktikus egészségügyi alkalmazása

Az önfelügyelet ebben az esetben azt jelenti, hogy a mesterséges intelligencia saját maga címkézi fel az adatokat, vagyis nincs rászorulva az emberi hozzájárulásra azok megjelölésénél. Mindennek alapján pedig olan profilokat hoz létre, amelyek az áttanítás (transfer learning) módszerrel segítenek az egészségügyi események bekövetkeztének előrejelzésében, más területeken már megszerzett tudást és más céllal megalkotott modelleket alkalmazva az új feladatokban.

A most felhasznált adatkészletet összesen 2100 darab 35 és 65 év közötti felhasználó információiból állították össze, felhasználva egy olyan kutatást, ami a környezeti és öröklött tényezők interakcióját vizsgálta az elhízás, a 2-es típusú cukorbetegség és az ezekkel összefüggő anyagcsere-zavarok tekintetében. A kutatásban résztvevőknek pulzusmérőt, illetve mozgás- és gyorsulásérzékelő képességekkel rendelkező szenzorokat kellett viselniük egy teljes héten keresztül, laboratóriumi vizsgálatokkal pedig megállapították maximális oxigénfelvevő képességüket is.

A Step2Heart betanítása a közülük kiválasztott, több mint 1500 felhasználó adataira épült, a tudósok pedig ezek alapján próbáltak előrejelezni különféle faktorokat, mint a véroxigénszint, a testmagasság, a testtömeg, a nem, az életkor, a testtömeg-index, a nyugalmi pulzus vagy a fizikai aktivitás energiaköltségei (PAEE). A Step2Heart jelenleg álapotában 0,93 AUC értékkel lövi be a páciensek nemét, 0,82-vel a testmagasságát, 0,80-nal a PAEE értékeit, 0,77-tel pedig a testtömegét. A többi metrika ezeknél trükkösebbnek bizonyult, de ott is 0,70 körüli AUC arányokat tapasztalnak, hozzátéve, hogy ebben a felállásban nem zárható ki a rendelkezésükre álló adatkészlet esetleges kiegyensúlyozatlansága.

Komoly potenciál lenne a hétköznapi eszközökben is

A kísérleteknek az ad mégis értelmet, hogy bemutatja, miként lehet felhasználni a felcímkézetlen adattömeget az általános profilozásra mindazokban a helyzetekben, amikor nincs lehetőség a "ground truth" feltárására, vagyis a mérések és előrejelzések előre ismert eredményekkel való összehasonlítására. Az ilyen szcenárióknak nagy jelentősége lehet a mobil egészségügyben, ahol széles körben elterjedt, hétköznapi eszközök segítségével lehetne klinikai szintű értékeléseket adni ezekkel a módszerekkel.

Ahogy nemrég mi is beszámoltunk róla, egy másik új okostelefonos alkalmazás például a felhasználók járásából állapítja meg elég nagy biztonsággal, ha véralkohol-szintjük a megengedett érték fölött van. Ennek a fejlesztésnek ugyancsak közegészségügyi haszna lehet, amennyiben a törvényben meghatározott alkoholszintek átlagos értékeken alapulnak, a mindig kéznél lévő okostelefon viszont objektív figyelmeztetéseket adhat a felhasználók saját korábbi mintái alapján, és akár az alkoholproblémákkal küzdő emberek támogatásában is szerepet kaphat.