Health Forum održan u sklopu Galaxy Unpacked događaja u srpnju 2026. predstavio je i Samsung viziju povezanog zdravstva (Connected Care) za sljedeće poglavlje digitalnog zdravlja, budućnost u kojoj se skrb pomiče s reaktivnog liječenja prema preventivnim, personaliziranim i povezanim iskustvima, poduprtima pouzdanim zdravstvenim inovacijama i partnerstvima diljem zdravstvenog ekosustava. Jedna od tehnologija koja pomaže u pokretanju ovih novih korisničkih iskustava jest temeljni zdravstveni model.
Istraživači iz tima za digitalno zdravlje u institutu Samsung Research America (SRA) razvijaju nove tehnologije umjetne inteligencije koje neprestano tumače zdravstveno stanje pojedinca na temelju biosignala, stvaraju zdravstvene uvide i nude odgovarajuće zdravstvene smjernice.
Istraživači tvrtke Samsung nedavno su predstavili dva osnovna modela koja se temelje na podacima s nosivih uređaja: xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning), koji uči vremenski odnos između različitih biosignala, i HiMAE (Hierarchical Masked Autoencoder), koji prepoznaje zdravstvene obrasce kroz različite vremenske raspone u vremenskim nizovima podataka s nosivih uređaja. Obje studije potvrđuju napredak zdravstvenih modela umjetne inteligencije koji mogu bolje razumjeti fiziološke odnose i vremensku strukturu biosignala.
Rad stručnjaka tvrtke Samsung na modelima xMAE i HiMAE prihvaćen je na Međunarodnoj konferenciji o strojnom učenju (ICML) odnosno Međunarodnoj konferenciji o učenju prikaza (ICLR), što dodatno naglašava važnost ovoga istraživanja.
Temeljni zdravstveni modeli koji čitaju signale tijela: Zašto su važni za zdravlje
Temeljni zdravstveni model jest model umjetne inteligencije koji koristi samonadzirano učenje (self-supervised learning) kako bi izdvojio smislene značajke iz neoznačenih podataka biosignala. Nakon što prođu prethodni trening na velikim količinama zdravstvenih podataka, ovi se modeli mogu primijeniti na širok raspon naknadnih zdravstvenih zadataka, uključujući analizu biosignala, razvoj novih ili poboljšanih biomarkera te predviđanje zdravstvenih tegoba.
Model umjetne inteligencije xMAE: Kontinuirani uvid u rad srca s nosivih uređaja
Elektrokardiogram (EKG) na nosivim uređajima izravno mjeri električnu aktivnost srca te je koristan za mjerenje broja otkucaja i varijabilnosti srčanog ritma, prepoznavanje abnormalnih srčanih ritmova i rizika od stanja poput atrijske fibrilacije. EKG je iznimno precizan, ali obično zahtijeva da korisnik zastane i obavi aktivno mjerenje. S druge strane, fotopletizmografija (PPG) može neizravno mjeriti rad srca detektiranjem promjena u protoku krvi te se može mjeriti pasivno i kontinuirano putem senzora u nosivim uređajima poput pametnih satova.
Ta dva signala potječu iz iste srčane aktivnosti, ali se pojavljuju s određenom vremenskom razlikom, slično kao što se grom čuje nakon što se vidi bljesak munje. xMAE je okvir za prethodnu obuku biosignala osmišljen za učenje vremenskog odnosa između dvaju signala rekonstrukcijom maskiranih dijelova EKG signala pomoću PPG signala, koji se mjeri lakše i kontinuirano. Zbog toga se značajke povezane s kardiovaskularnim zdravljem mogu preciznije analizirati pomoću PPG-a, bez potrebe za zasebnim ručnim mjerenjem EKG-a.
Istraživači su proveli prethodnu obuku modela xMAE koristeći približno 9.400 sati EKG i PPG podataka. Model je nadmašio jednodimenzionalne modele biosignala i postojeće metode višedimenzionalnog učenja u 15 od 19 zadataka evaluacije, uključujući predviđanje kardiovaskularnih bolesti, otkrivanje abnormalnih rezultata testova i klasifikaciju faza sna. Studija je također potvrdila potencijal korištenja naučenih značajki na različitim senzorskim uređajima, dijelovima tijela i okruženjima za prikupljanje podataka.
Model umjetne inteligencije HiMAE: Čitanje stanja tijela na svakoj vremenskoj skali na samom uređaju
Zdravstveni podaci izmjereni s nosivih uređaja mogu otkriti različite informacije ovisno o vremenskom rasponu u kojem se analiziraju. Primjerice, kratki vremenski odsječci mogu otkriti signale koji se brzo mijenjaju, poput otkucaja srca, dok dulji vremenski odsječci mogu otkriti obrasce koji se nakupljaju s vremenom, poput sna ili tjelesne aktivnosti. To je slično promatranju različitih informacija zumiranjem i odzumiranjem slike.
HiMAE je model samonadziranog učenja koji uči reprezentaciju podataka s nosivih uređaja kroz više vremenskih skala. Koristi više modula za kodiranje za zasebnu analizu kratkih i dugih odsječaka, što modelu omogućuje prepoznavanje informacija potrebnih za pojedini zdravstveni zadatak, poput analize otkucaja srca ili predviđanja sna na odgovarajućoj vremenskoj skali. Tijekom obuke model rekonstruira maskirane dijelove podataka, što mu omogućuje učenje ključnih obrazaca u biosignalima čak i kada su označeni podaci ograničeni.
Jedinstveni predtrenirani model HiMAE istovremeno upravlja klasifikacijom, numeričkim predviđanjem i generiranjem podataka. Model je postigao visoke performanse, a pritom je manji od postojećih modela. Također je poboljšao računalnu učinkovitost do te mjere da može dati rezultate u manje od jedne milisekunde na središnjoj procesorskoj jedinici (CPU) klase pametnog sata. Ono što je najvažnije, HiMAE po prvi put pokazuje potencijal temeljnih zdravstvenih modela na samom uređaju koji analiziraju sirove zdravstvene signale u stvarnom vremenu, bez oslanjanja na računalni cloud.
Sljedeći korak prema povezanoj skrbi
xMAE i HiMAE predstavljaju značajan napredak u modelima umjetne inteligencije koji precizno razumiju fiziološke odnose i vremenske strukture jedinstvene za biosignale. Cilj im je pružiti precizne, neprestane, personalizirane zdravstvene uvide te se prilagoditi širokom rasponu zdravstvenih zadataka iz jednog jedinog predtreniranog modela.
