Khánh Vân
Writer
Trong một nghiên cứu mới do Apple tài trợ, các nhà khoa học đã phát triển một mô hình trí tuệ nhân tạo (AI) có khả năng dự đoán chính xác tình trạng sức khỏe không chỉ dựa vào nhịp tim hay oxy máu, mà thông qua việc phân tích các dữ liệu hành vi hàng ngày như số bước đi, chất lượng giấc ngủ hay nhịp thở. Mô hình mới này, được huấn luyện trên một bộ dữ liệu khổng lồ, cho thấy hiệu quả vượt trội và mở ra một hướng đi mới cho việc theo dõi sức khỏe cá nhân hóa.
Nghiên cứu này là một phần của chương trình "Nghiên cứu về Tim mạch và Vận động của Apple" (AHMS). Các nhà khoa học đã phát triển một mô hình nền tảng mới có tên WBM (Mô hình Hành vi từ Thiết bị đeo). Điểm khác biệt cốt lõi của WBM so với các phương pháp truyền thống là nó không chỉ dựa vào các tín hiệu cảm biến thô như nhịp tim hay điện tâm đồ, mà học từ các chỉ số phản ánh dữ liệu hành vi thực tế của người dùng.
Các dữ liệu này bao gồm 27 chỉ số khác nhau như số bước đi mỗi ngày, độ ổn định khi di chuyển, mức năng lượng tiêu hao, chỉ số VO₂ max, độ biến thiên nhịp tim, nhịp thở và thời lượng của các giai đoạn giấc ngủ. Theo các nhà nghiên cứu, những dữ liệu hành vi này có tính ổn định cao hơn, dễ phân tích hơn và đặc biệt phù hợp để mô hình hóa các xu hướng sức khỏe trong một thời gian dài. Chính nhờ nền tảng dữ liệu này, WBM có khả năng phát hiện sớm các xu hướng bất thường mà các tín hiệu sinh học riêng lẻ có thể bỏ qua.
Để có thể phát triển một mô hình phức tạp như WBM, nhóm nghiên cứu đã sử dụng một bộ dữ liệu khổng lồ, bao gồm hơn 2,5 tỷ giờ dữ liệu được thu thập từ hơn 161.000 người tham gia trong chương trình Apple Heart and Movement Study thông qua thiết bị Apple Watch và iPhone.
Dữ liệu này sau đó được phân tích theo từng tuần và được xử lý bằng kiến trúc Mamba-2. Đây là một nền tảng trí tuệ nhân tạo thế hệ mới, được đánh giá là có hiệu quả cao hơn so với các mô hình học sâu truyền thống trong việc xử lý các chuỗi dữ liệu theo thời gian, vốn rất phù hợp với các dữ liệu sức khỏe được thu thập liên tục.
Cách mô hình WBM xử lý dữ liệu hành vi người dùng theo thời gian với kiến trúc AI Mamba-2. (Ảnh: AHMS).
Hiệu quả của mô hình WBM đã được thử nghiệm trên 57 nhiệm vụ dự đoán sức khỏe khác nhau. Kết quả cho thấy, đối với các nhiệm vụ dự đoán theo thời gian, WBM chỉ tỏ ra kém hiệu quả hơn trong duy nhất một trường hợp là phát hiện bệnh tiểu đường, khi mô hình sử dụng dữ liệu từ cảm biến quang học PPG vẫn cho kết quả tốt hơn.
Tuy nhiên, điểm đáng chú ý và đột phá nhất là khi các nhà nghiên cứu kết hợp cả hai nguồn dữ liệu – bao gồm dữ liệu hành vi từ WBM và dữ liệu cảm biến thô – mô hình "lai" này đã mang lại những kết quả tốt nhất. Cụ thể, khả năng phát hiện thai kỳ đã đạt tới độ chính xác 92%. Mô hình lai cũng cho thấy kết quả ấn tượng ở các tác vụ khác như dự đoán chất lượng giấc ngủ, nguy cơ nhiễm trùng, chấn thương hay các vấn đề về tim mạch như rung nhĩ.
Hiệu quả dự đoán bệnh của các mô hình. (Ảnh: AMHS).
Nghiên cứu này khẳng định rằng mục tiêu không phải là loại bỏ vai trò của các cảm biến sinh học, mà là mở rộng cách tiếp cận bằng cách kết hợp thêm dữ liệu hành vi. Trong khi các cảm biến có thể phát hiện nhanh những thay đổi sinh lý ngắn hạn, các mô hình hành vi lại có thể nhận diện các xu hướng sức khỏe diễn ra trong một thời gian dài. Sự kết hợp này hứa hẹn sẽ tạo ra một hệ thống theo dõi sức khỏe toàn diện và đáng tin cậy hơn cho người dùng trong tương lai.
WBM - Mô hình AI học từ hành vi, không chỉ từ cảm biến
Nghiên cứu này là một phần của chương trình "Nghiên cứu về Tim mạch và Vận động của Apple" (AHMS). Các nhà khoa học đã phát triển một mô hình nền tảng mới có tên WBM (Mô hình Hành vi từ Thiết bị đeo). Điểm khác biệt cốt lõi của WBM so với các phương pháp truyền thống là nó không chỉ dựa vào các tín hiệu cảm biến thô như nhịp tim hay điện tâm đồ, mà học từ các chỉ số phản ánh dữ liệu hành vi thực tế của người dùng.
Các dữ liệu này bao gồm 27 chỉ số khác nhau như số bước đi mỗi ngày, độ ổn định khi di chuyển, mức năng lượng tiêu hao, chỉ số VO₂ max, độ biến thiên nhịp tim, nhịp thở và thời lượng của các giai đoạn giấc ngủ. Theo các nhà nghiên cứu, những dữ liệu hành vi này có tính ổn định cao hơn, dễ phân tích hơn và đặc biệt phù hợp để mô hình hóa các xu hướng sức khỏe trong một thời gian dài. Chính nhờ nền tảng dữ liệu này, WBM có khả năng phát hiện sớm các xu hướng bất thường mà các tín hiệu sinh học riêng lẻ có thể bỏ qua.
Sức mạnh từ dữ liệu 2,5 tỷ giờ và kiến trúc Mamba-2
Để có thể phát triển một mô hình phức tạp như WBM, nhóm nghiên cứu đã sử dụng một bộ dữ liệu khổng lồ, bao gồm hơn 2,5 tỷ giờ dữ liệu được thu thập từ hơn 161.000 người tham gia trong chương trình Apple Heart and Movement Study thông qua thiết bị Apple Watch và iPhone.
Dữ liệu này sau đó được phân tích theo từng tuần và được xử lý bằng kiến trúc Mamba-2. Đây là một nền tảng trí tuệ nhân tạo thế hệ mới, được đánh giá là có hiệu quả cao hơn so với các mô hình học sâu truyền thống trong việc xử lý các chuỗi dữ liệu theo thời gian, vốn rất phù hợp với các dữ liệu sức khỏe được thu thập liên tục.
Cách mô hình WBM xử lý dữ liệu hành vi người dùng theo thời gian với kiến trúc AI Mamba-2. (Ảnh: AHMS).
Kết quả ấn tượng và sức mạnh của phương pháp "lai"
Hiệu quả của mô hình WBM đã được thử nghiệm trên 57 nhiệm vụ dự đoán sức khỏe khác nhau. Kết quả cho thấy, đối với các nhiệm vụ dự đoán theo thời gian, WBM chỉ tỏ ra kém hiệu quả hơn trong duy nhất một trường hợp là phát hiện bệnh tiểu đường, khi mô hình sử dụng dữ liệu từ cảm biến quang học PPG vẫn cho kết quả tốt hơn.
Tuy nhiên, điểm đáng chú ý và đột phá nhất là khi các nhà nghiên cứu kết hợp cả hai nguồn dữ liệu – bao gồm dữ liệu hành vi từ WBM và dữ liệu cảm biến thô – mô hình "lai" này đã mang lại những kết quả tốt nhất. Cụ thể, khả năng phát hiện thai kỳ đã đạt tới độ chính xác 92%. Mô hình lai cũng cho thấy kết quả ấn tượng ở các tác vụ khác như dự đoán chất lượng giấc ngủ, nguy cơ nhiễm trùng, chấn thương hay các vấn đề về tim mạch như rung nhĩ.
Hiệu quả dự đoán bệnh của các mô hình. (Ảnh: AMHS).
Nghiên cứu này khẳng định rằng mục tiêu không phải là loại bỏ vai trò của các cảm biến sinh học, mà là mở rộng cách tiếp cận bằng cách kết hợp thêm dữ liệu hành vi. Trong khi các cảm biến có thể phát hiện nhanh những thay đổi sinh lý ngắn hạn, các mô hình hành vi lại có thể nhận diện các xu hướng sức khỏe diễn ra trong một thời gian dài. Sự kết hợp này hứa hẹn sẽ tạo ra một hệ thống theo dõi sức khỏe toàn diện và đáng tin cậy hơn cho người dùng trong tương lai.
