في عصر تكنولوجيا المعلومات، أصبحت أجهزة الاستشعار القابلة للارتداء تمتلك القدرة على جمع كمية ضخمة من المعلومات السلوكية والفسيولوجية. ومع ذلك، يبقى التحدي الأكبر في تحويل هذه البيانات الأولية إلى رؤى صحية مفيدة وشخصية.

تكمن الصعوبة في تحويل بيانات المستشعرات إلى تمثيلات قادرة على تحديد حالات صحية أعلى، وذلك بسبب تنوع الأفراد الكبير واختلاف أنماط حياتهم وصحتهم الأساسية. هذا، بالإضافة إلى التكاليف العالية وجمع البيانات المصاحبة للتشخيصات الصحية، جعل من الصعب توفير بيانات ذات جودة عالية.

لمواجهة هذه التحديات، اقترح الباحثون نموذجاً أساسياً للذكاء الاصطناعي تم تدريبه على أكثر من تريليون دقيقة من إشارات المستشعرات غير الموسومة، والتي تم جمعها من مجموعة كبيرة تضم خمسة ملايين مشارك. يُظهر البحث أن التوسع المشترك في سعة النموذج وحجم بيانات التدريب يؤدي إلى تحسينات منهجية في الأداء، تم تقييمها عبر مجموعة متنوعة من 35 مهمة صحية. هذه المهمات تشمل التنبؤ بالصحة القلبية والأيضية، وأيضاً الصحة النفسية وخيارات نمط الحياة.

تُظهر النتائج أن هذا التمثيل على مستوى السكان يُمكّن من التعلم بفعالية قليلة العينات ويحقق قدرات توليدية لدقة القياسات اليومية. ولتعزيز هذه التمثلات، يتم استخدام مجموعة من وكلاء نماذج اللغة الكبيرة (LLMs) للبحث الذاتي في نطاق رؤس التنبؤ المتنوعة، مما يمنح تحسناً عاماً في الأداء مع زيادة سعة نموذج اللغة.

علاوة على ذلك، يثبت البحث كيف يمكن دمج هذه المحللات التنبؤية في وكيل الصحة الشخصية، مما يدعم استجابات أكثر ملاءمة ووعياً بالسياق وأماناً. ولقد تم التحقق من ذلك عن طريق تقييمات من 1,860 متخصصاً في الرعاية الصحية.