Segun Google Research, un equipo de investigadores ha desarrollado SensorFM, un modelo de base para sensores que aprende directamente de datos de dispositivos wearables, sin necesidad de etiquetas. Este modelo se entrena sobre más de un trillón de minutos de señales sensoriales provenientes de cinco millones de personas, capturadas en múltiples aspectos de la fisiología humana como ritmo cardíaco, movimiento, temperatura cutánea, niveles de oxígeno y patrones de sueño. La base de datos es longitudinal, abarcando días, semanas y meses, lo que permite una comprensión profunda del comportamiento fisiológico a lo largo del tiempo.
La complejidad de la salud humana implica que cada individuo presenta una variabilidad significativa en sus patrones fisiológicos, lo que dificulta la generalización de patrones de riesgo. Por ejemplo, una señal que indica alerta en una persona puede ser normal en otra. Además, los datos de etiqueta —como diagnósticos confirmados o resultados de laboratorio— son escasos, costosos y difíciles de obtener en retrospectiva. Esta limitación ha llevado a que la mayoría de los modelos de salud desarrollados para dispositivos portátiles se centren en un solo resultado específico, como la predicción de un evento cardiovascular, y no logren aplicarse de forma amplia a distintos ámbitos de salud.
SensorFM rompe con ese paradigma al aprender una representación general de la fisiología humana a partir de datos no etiquetados. A diferencia de los modelos tradicionales, este no se entrena para una tarea específica, sino que desarrolla una comprensión integrada que se aplica a 35 tareas de predicción de salud, desde el metabolismo hasta el estado mental. Además, permite adaptaciones rápidas con poca información de etiqueta y puede completar datos ausentes, lo que lo convierte en una herramienta útil para agentes personales de salud. La capacidad de transferir conocimientos entre áreas como el sueño, la actividad física y el estado emocional abre la puerta a diagnósticos más holísticos y personalizados.
Para los lectores peruanos, este avance es especialmente relevante. El país cuenta con una creciente adopción de dispositivos de salud portátiles, como relojes inteligentes y monitores de oxígeno, que generan una gran cantidad de datos diarios. Sin embargo, la mayoría de estas herramientas aún no ofrecen interpretaciones claras o acciones personalizadas basadas en esos datos. SensorFM sugiere que, con el desarrollo de modelos como este, es posible transformar esos datos en recomendaciones reales: desde alertas de riesgo de hipertensión hasta ajustes en hábitos de sueño o actividad física. Aunque aún no está disponible en el mercado peruano, su implementación podría permitir a los usuarios obtener un perfil de salud más completo, con diagnósticos preventivos que se ajusten a su estilo de vida. Este tipo de tecnología podría democratizar el acceso a una medicina más proactiva, especialmente en contextos donde los servicios de salud especializados son limitados.