AI 前沿
Google Research提出可穿戴设备CKM健康风险与个性化教练框架
Google Research介绍实验性机器学习框架,把智能手表被动采集的静息心率、步数、睡眠和活动时长等信号转化为可干预的“可教练健康年龄”,并用动作条件世界模型模拟12周习惯改变,还结合血液生物标志物追踪心血管—肾脏—代谢风险。
Google Research研究科学家Zeinab Esmaeilpour和Ahmed A. Metwally于11月11日介绍一项研究框架。心血管疾病、肾脏问题和2型糖尿病等代谢疾病相互关联,被称为心血管—肾脏—代谢综合征,其进展常在症状出现前多年悄然发生,并受运动、睡眠等日常习惯影响。
研究者指出,现有许多生物年龄模型主要根据血液或可穿戴数据估计出生年份,容易依赖个人难以改变的特征,也难以解释调整某项习惯会如何改变未来健康。新框架不训练模型猜测年龄,而是依据已发表流行病学研究,构建可通过日常选择影响的“可教练健康年龄”。
该模型整合消费级可穿戴设备被动测量的四项核心信号:静息心率、每日步数、睡眠时长和每周Active Zone Minutes;在可用时还纳入VO2max、睡眠规律和胰岛素抵抗等可选指标。模型会对信号重叠进行数学调整,以区分不同习惯对健康年龄差值的贡献:差值为负表示生理状态较日历年龄年轻,为正则表示加速老化。
框架还使用动作条件世界模型回答“如果我改变某个习惯,未来12周会怎样”的反事实问题,并在配套研究中把常规血液生物标志物纳入CKM健康年龄评估。材料称该方法已在三个独立队列中验证,但原文未在提供部分列出具体结果。