O Google Research apresentou na quinta-feira, 9, o SensorFM, um modelo de fundação para saúde vestível treinado com mais de 1 trilhão de minutos de dados de sensores de 5 milhões de pessoas. A iniciativa é descrita pela empresa como um passo em direção a uma IA de propósito geral para monitoramento contínuo de saúde.

O modelo foi desenvolvido para interpretar sinais fisiológicos captados por dispositivos como Fitbit e Pixel Watch, em uma base formada por usuários de mais de 100 países. Ele processa 34 características agregadas por minuto a partir de cinco modalidades de sensores, incluindo frequência cardíaca, saturação de oxigênio no sangue, temperatura da pele e movimento.

Diferentemente de modelos tradicionais voltados a wearables, dispositivos vestíveis, que costumam ser treinados para prever um único resultado, o SensorFM busca aprender uma representação reutilizável da fisiologia humana. Essa representação pode ser aplicada a áreas como saúde cardiovascular, metabolismo, sono, saúde mental, estilo de vida e dados demográficos.

Em testes com 35 tarefas de previsão de saúde extraídas de três estudos clínicos independentes, com quase 14 mil participantes, o SensorFM superou linhas de base supervisionadas em 34 tarefas. A avaliação usou embeddings, representações numéricas geradas pelo modelo, mantidos congelados e combinados a uma camada linear simples.

Segundo os pesquisadores, o desempenho foi especialmente relevante na detecção de condições como depressão e ansiedade. Esses quadros podem deixar sinais sutis nos dados coletados por sensores, o que torna sua identificação mais difícil por modelos desenhados para tarefas isoladas.

Escala de dados e teste com agentes

A equipe liderada pelos cientistas Xin Liu e Daniel McDuff afirma que o ganho de desempenho ocorreu quando o tamanho do modelo e o volume de dados foram ampliados simultaneamente. A maior variante, chamada SensorFM-B, reduziu a perda de reconstrução em 31% em relação ao menor modelo e elevou o desempenho médio de classificação downstream em 9%.

Os pesquisadores também criaram uma “sala de aula” com agentes baseados em LLMs, grandes modelos de linguagem, para automatizar parte da adaptação do sistema. Esses agentes geraram, testaram e refinaram cabeças de predição sobre os embeddings do SensorFM, explorando mais de 30 mil soluções candidatas ao longo dos experimentos.

Em outro teste, avaliado por clínicos, o SensorFM foi integrado a um Agente de Saúde Pessoal para produzir resumos sobre condições de saúde. Segundo o material divulgado, os resultados tiveram qualidade equivalente à de resumos baseados em medições clínicas reais nas cinco dimensões avaliadas, sem diferença estatisticamente distinguível entre as previsões do modelo e os rótulos usados como referência.

O estudo que fundamenta o anúncio, intitulado Towards a General Intelligence and Interface for Wearable Health Data, foi publicado inicialmente no arXiv em maio e divulgado formalmente pelo blog do Google Research em 9 de julho. A proposta reforça a disputa por modelos capazes de transformar sensores de uso cotidiano em ferramentas mais amplas de acompanhamento de saúde, ainda dependentes de validação clínica, integração com serviços médicos e regras de privacidade.