Según MarkTechPost (AI/ML News), Google Research ha presentado SensorFM, un modelo basado en sensores diseñado para el análisis de salud a través de dispositivos wearables. Este modelo se entrena sobre más de un trillón de minutos de datos de sensores provenientes de 5 millones de usuarios, representando más de dos mil millones de horas de seguimiento. La base tecnológica se compone de una arquitectura de tipo ViT-1D, entrenada mediante un objetivo de autóencoder con máscara, y utiliza un tamaño de parche de [20, 1], optimizado para representar secuencias temporales de datos continuos. Los datos recopilados provienen de cinco tipos de sensores: presión de pulso (PPG), acelerómetro, electromiografía (EDA), temperatura cutánea y altímetro, y se agrupan en siete categorías dentro de un marco de 24 horas.
El entrenamiento se llevó a cabo entre septiembre de 2024 y septiembre de 2025, con participación de usuarios de más de 100 países, todos los estados de Estados Unidos y más de 20 modelos de dispositivos como Fitbit y Pixel Watch. Se desarrollaron cuatro versiones del modelo, cada una asociada a un volumen de datos proporcional, y se evaluó en tres estudios prospectivos aprobados por comités éticos, que abarcan salud metabólica, cardíaca y respiratoria (1.655 sujetos), sueño (6.377) y salud mental (5.953). En conjunto, el sistema aborda 35 tareas específicas, distribuidas en categorías como salud cardiovascular (6), metabólica (8), mental (8), sueño (3), demografía (4) y estilo de vida (6).
La investigación evidencia que el aumento de escala tiene un impacto significativo. Al comparar cuatro niveles de capacidad del modelo con cuatro volúmenes de datos, se observa que el modelo SensorFM-B, al entrenarse sobre el corpus de 5 millones de usuarios, logra reducir en un 31% la pérdida de reconstrucción en validación, y disminuye en un 28% en promedio la pérdida generativa. Este avance se traduce en mejoras medibles en el rendimiento de tareas de predicción, como se mide por el aumento del AUC (Área bajo la curva).
Para los peruanos, este avance representa una herramienta potencialmente transformadora en el ámbito de la salud digital. En un país donde el acceso a servicios médicos puede ser limitado en zonas rurales o de bajos recursos, la capacidad de predecir condiciones como el riesgo cardiovascular o trastornos del sueño mediante dispositivos portátiles podría permitir diagnósticos más tempranos y accesibles. Aunque aún se requieren pruebas clínicas rigurosas, el desarrollo de modelos como SensorFM abre la posibilidad de integrar inteligencia artificial en entornos de salud pública, ayudando a reducir brechas en el acceso a diagnósticos y prevención. Esto no solo mejora la eficiencia del sistema de salud, sino que también puede potenciar el uso de tecnologías digitales en contextos donde los recursos tradicionales son escasos.