Apple revoluciona la salud con la IA: sus modelos pueden detectar estados y afecciones con un 92% de precisión

Apple no está viviendo su mejor momento. España ha sido testigo de algunos de sus últimos percances, como la crisis de Siri o el robo de sus mejores ingenieros por parte de Meta. Sin embargo, eso no les ha impedido desarrollar un modelo de IA revolucionario centrado en la salud.

Así lo revela al menos un estudio de investigación llamado Más allá de los datos de los sensores: los modelos fundamentales de datos de comportamiento de 'wearables' mejoran las predicciones de la salud. Un título muy autodescriptivo que detalla cómo funciona este modelo.

Y es que el estudio, que usa datos del Estudio del Corazón y el Movimiento con más de 160.000 participantes, recogió datos de un Apple Watch con algoritmos integrados y pudo determinar que en algunos casos, el modelo pudo alcanzar cuotas de precisión de hasta el 92%.

Un modelo de precisión basado en IA

Todo comienza con lo que los investigadores definen en el paper como Modelo Base de Comportamiento Wearable (WBM, por sus siglas en inglés). Este modelo se aleja de los datos sin procesar que arrojan los sensores en tiempo real, como serían los de frecuencia cardíaca.

En su lugar, el WBM analiza datos de patrones en movimiento, que van desde el ejercicio continuado en el tiempo hasta el propio movimiento del usuario, analizando métricas como la duración y calidad del sueño, la movilidad o la variabilidad de la frecuencia cardíaca, relata MacRumors.

Esquema de uso de WBM. Apple Omicrono

Todo ello, como decimos, calculado desde un Apple Watch, y no desde un dispositivo dedicado. Para entrenar este modelo se usaron más de 2.500 millones de horas de wearables de datos del Estudio del Corazón y Movimiento de Apple (AHMS), y evaluó hasta 57 tareas diferentes

Los resultados, al menos en un terreno básico, demostraron que el WBM puede igualar y en algunos casos superar a los modelos existentes basados en datos de sensores. La clave aquí reside en los datos de comportamiento de alto nivel, recogidos en buena cantidad por el Apple Watch.

[Un misterioso dispositivo aparece filtrado en el código fuente de Apple: podría llegar este mismo año]

Los propios investigadores lo detallan en el estudio. "La mayoría de los trabajos anteriores han considerado el modelado de datos de sensores de bajo nivel. La información conductual de alto nivel proveniente de wearables son los tipos de datos naturales para resolver estas tareas de detección".

Los expertos definen estos datos como la actividad física, las métricas de movilidad o las métricas conductuales. No es para menos, ya que los datos de sensores no están procesados, mientras que las métricas usan algoritmos "cuidadosamente validados".

Rendimiento de los modelos en escala. Apple Omicrono

El modelo, que pudo usar una arquitectura de aprendizaje automático de series temporales, pudo identificar cambios en el comportamiento de los usuarios a lo largo de días enteros e incluso semanas, lo que le permitía identificar afecciones que se desarrollan con el tiempo.

Para muestra, un botón: a la hora de detectar cuestiones como un embarazo, el modelo WBM de Apple tuvo un 92% de aciertos, aunque eso sí combinando este modelo con datos biométricos tradicionales en un enfoque calificado como híbrido.

[Apple sigue con su impulso a la IA comprando compañías europeas para mejorar Intelligence y Vision Pro]

En total, el modelo se alimentó con 27 métricas de comportamiento interpretables por humanos, que iban desde el ritmo de caminar, la variabilidad de la frecuencia cardíaca, la duración del sueño o la energía.

Los datos se dividieron en bloques semanales y se pasaron a una arquitectura construida sobre Mamba-2, y se evaluaron estas 57 tareas. WBM pudo superar a un modelo sólido basado en PPG en hasta 18 de las 47 tareas estáticas de predicción de la salud.

[Las 5 claves de iOS 26 que revolucionarán tu iPhone en 2026: interfaz de cristal, mejoras en batería y más]

No solo eso. WBM pudo superar a este otro modelo en casi todas las tareas dinámicas. De hecho, solo falló en una; en la diabetes, ya que PPG se postuló por encima. El 92% se manifestó en la detección del embarazo y en las mejoras de la calidad del sueño, lesiones, infecciones y tareas cardiovasculares.

Es importante recalcar que estos modelos buscan ser complementarios y nunca sustitutivos de los sensores estándares, ya que su utilidad reside en como hemos mencionado antes en la predicción de afecciones a largo plazo. y realizar tareas de prevención.

Datos de entrenamiento del modelo. Apple Omicrono

Tanto es así, que los propios investigadores creen que gracias a los avances tecnológicos ubicados en los wearables de última generación es posible usar esta clase de modelos de análisis a gran escala. Queda por ver si los avances de salud del Apple Watch irán en esa dirección