麻省理工学院与Empirical Health的研究团队近期取得了一项突破性进展，他们利用大规模可穿戴设备数据开发出一种新型健康预测模型。该研究以约300万“人-天”的Apple Watch健康监测数据为基础，构建了能够精准预测多种疾病的基础模型，相关成果已被国际顶级学术会议NeurIPS的研讨会接收。
这项研究的核心创新在于将联合嵌入预测架构（JEPA）应用于医疗健康领域。该架构由meta前首席AI科学家Yann LeCun提出，其核心思想是通过上下文信息推断缺失数据的语义表征，而非直接还原原始数值。例如在图像处理中，模型会基于可见区域推断被遮蔽部分的特征，而非重建像素内容。这种范式转变使AI系统能够构建对环境动态的理解模型，而非单纯依赖词元预测。
研究团队针对可穿戴设备数据的特殊性进行了架构适配。来自16,522名参与者的长期监测数据呈现显著的不规则性：心率、睡眠时长等63项生理指标存在大量缺失值，仅有15%的记录包含完整医疗标注。传统监督学习方法会直接舍弃85%的无标注数据，而新模型通过自监督预训练机制，先在全量数据上学习通用特征表示，再利用少量标注数据进行微调优化。
数据预处理阶段，研究人员将每条观测记录转化为包含日期、数值、指标类型的三元组结构，进而生成可被模型处理的“健康token”。这些token经过掩码处理后，模型需要预测被遮挡片段的嵌入表示。这种训练方式使模型能够捕捉时间序列中的复杂模式，即使面对极端不平衡的数据分布——某些指标仅在0.4%的时间点被记录，而另一些指标出现在99%的日常读数中。
在疾病预测性能评估中，新模型展现出显著优势。对比基于Transformer架构的基线模型，JETS在高血压检测中达到86.8%的AUROC值，房扑预测准确率为70.5%，慢性疲劳综合征和病态窦房结综合征的检测准确率分别达到81%和86.8%。需要说明的是，AUROC指标反映的是模型对病例的排序能力，而非传统意义上的分类准确率。
该研究证实了日常可穿戴设备的潜在价值。尽管用户不会全天候佩戴设备，但通过新型模型架构和训练策略，这些碎片化数据仍能被转化为有效的健康预警信号。研究团队特别指出，这种自监督学习方法为处理医疗领域普遍存在的数据标注不足问题提供了新思路，未来有望推动个性化健康管理技术的普及。
