IA
Google Research propone CKM, un marco para wearables sobre riesgos de salud y entrenamiento personalizado
Google Research presentó un marco experimental de aprendizaje automático que convierte señales recogidas pasivamente por relojes inteligentes —como frecuencia cardíaca en reposo, pasos, sueño y duración de la actividad— en una “edad de salud entrenable” sobre la que se puede intervenir, utiliza un modelo mundial condicionado por acciones para simular 12 semanas de cambios de hábitos y combina biomarcadores sanguíneos para seguir el riesgo cardiovascular, renal y metabólico.
Zeinab Esmaeilpour y Ahmed A. Metwally, investigadores científicos de Google Research, presentaron el 11 de noviembre un marco de investigación. Las enfermedades metabólicas, como las enfermedades cardiovasculares, los problemas renales y la diabetes tipo 2, están interconectadas y se denominan síndrome cardiovascular, renal y metabólico; su progresión suele ocurrir silenciosamente durante muchos años antes de que aparezcan los síntomas y se ve influida por hábitos cotidianos como el ejercicio y el sueño.
Los investigadores señalan que muchos modelos actuales de edad biológica se basan principalmente en datos sanguíneos o de wearables para estimar el año de nacimiento, por lo que tienden a depender de características que la persona difícilmente puede cambiar y no explican bien cómo el ajuste de un hábito concreto modificaría la salud futura. El nuevo marco no entrena modelos para adivinar la edad, sino que, basándose en estudios epidemiológicos publicados, construye una “edad de salud entrenable” que puede verse influida por las decisiones cotidianas.
El modelo integra cuatro señales centrales medidas pasivamente por dispositivos wearables de consumo: frecuencia cardíaca en reposo, pasos diarios, duración del sueño y Active Zone Minutes semanales; cuando están disponibles, también incorpora indicadores opcionales como el VO2 máx., la regularidad del sueño y la resistencia a la insulina. El modelo aplica ajustes matemáticos a la superposición de señales para distinguir la contribución de distintos hábitos a la diferencia de edad de salud: una diferencia negativa indica que el estado fisiológico es más joven que la edad cronológica, mientras que una diferencia positiva indica un envejecimiento acelerado.
El marco también utiliza un modelo mundial condicionado por acciones para responder preguntas contrafácticas del tipo “¿qué pasaría en las próximas 12 semanas si cambio un hábito?”, y en un estudio complementario incorpora biomarcadores sanguíneos convencionales a la evaluación de la edad de salud CKM. El material afirma que el método ya se ha validado en tres cohortes independientes, pero el texto original no incluye resultados concretos en la parte proporcionada.