Google Gemini: Una Nueva Frontera en Insights de Salud Personal
A pesar de tener sólo seis meses, Google Gemini ha demostrado habilidades notables en seguridad, programación y depuración, entre otros ámbitos, aunque también ha revelado limitaciones significativas. Ahora, este modelo de lenguaje grande (LLM) supera a expertos humanos en la entrega de consejos sobre sueño y fitness.
Presentando el Modelo de Lenguaje Grande para Salud Personal (PH-LLM)
Investigadores de Google han presentado el Modelo de Lenguaje Grande para Salud Personal (PH-LLM), una versión especializada de Gemini diseñada para interpretar y analizar datos personales de salud en serie temporal, obtenidos de dispositivos como relojes inteligentes y monitores de ritmo cardíaco. En experimentos comparativos, el PH-LLM superó constantemente a profesionales experimentados en los ámbitos de la salud y el fitness.
“Nuestro trabajo amplía la utilidad del modelo más allá de la predicción de estados de salud, generando salidas coherentes, contextuales y potencialmente prescriptivas basadas en comportamientos de salud complejos”, afirman los investigadores.
Gemini como Asesor de Sueño y Fitness
La tecnología portátil proporciona un flujo constante de datos para el monitoreo de la salud, incluyendo registros de ejercicio, dietas, diarios de estado de ánimo e incluso actividad en redes sociales. Sin embargo, los investigadores señalan que los valiosos insights sobre el sueño, la actividad física, la salud cardiometabólica y el estrés a menudo se utilizan poco en entornos clínicos, probablemente debido a los desafíos en el contexto y el análisis.
Si bien los LLM han destacado en responder preguntas médicas, analizar registros de salud electrónicos y evaluar la salud mental, han tenido dificultades para interpretar y recomendar acciones basadas en datos de dispositivos portátiles. La innovación del PH-LLM radica en su capacidad para realizar recomendaciones y predicciones personalizadas sobre la calidad del sueño y la forma física.
En las pruebas, el PH-LLM logró un impresionante 79% en exámenes de sueño y un 88% en evaluaciones de fitness, superando las puntuaciones promedio de entrenadores profesionales y expertos en sueño, quienes obtuvieron 71% y 76%, respectivamente.
Demostrando Sus Capacidades
En un ejemplo, al analizar los datos de sueño de un hombre de 50 años, el PH-LLM identificó problemas como dificultad para conciliar el sueño y destacó la importancia del sueño profundo para la recuperación. Ofreció consejos prácticos: “Mantén tu dormitorio fresco y oscuro, evita las siestas y sigue un horario de sueño constante”.
Al consultar sobre contracciones musculares durante un press de banca, el PH-LLM identificó correctamente el tipo de contracción como "excéntrica". En otro caso, al abordar problemas de sueño autoinformados basados en datos portátiles, predictó con precisión dificultades para iniciar el sueño.
Los investigadores concluyeron: “Estos resultados resaltan la extensa base de conocimiento y capacidades de los modelos Gemini, destacando la necesidad de un mayor desarrollo en el ámbito crítico de la salud personal.”
Insights Personalizados Impulsados por Datos
Para lograr estos resultados, los investigadores curaron tres conjuntos de datos para evaluar insights y recomendaciones personalizadas basadas en actividad física, patrones de sueño y respuestas fisiológicas. Desarrollaron 857 estudios de caso (507 relacionados con el sueño y 350 con el fitness) en colaboración con expertos de la industria. Cada estudio integró datos de sensores portátiles a lo largo del tiempo, información demográfica e interpretaciones de expertos.
Estos estudios examinaron distintas métricas, incluyendo puntuaciones de sueño, ritmos cardíacos, duración del sueño y niveles de actividad, generando recomendaciones personalizadas para mejorar la higiene del sueño y la condición física.
“Nuestro estudio demuestra que el PH-LLM puede integrar efectivamente datos recolectados pasivamente de dispositivos portátiles en insights y sugerencias personalizadas para mejorar los resultados de salud”, señalaron los investigadores.
Desafíos Futuro para Aplicaciones de Salud Personal
Sin embargo, los investigadores reconocieron que el PH-LLM aún está en sus inicios y requiere más refinamiento. Algunas respuestas generadas por el modelo carecían de consistencia, y se observaron confabulaciones en varios estudios de caso. El modelo a veces pasaba por alto aspectos cruciales del sueño y el fitness, lo que indica que la muestra de entrenamiento puede no representar completamente las preocupaciones de salud de la población en general.
“Enfatizamos que queda un trabajo significativo por hacer para garantizar que los LLM sean confiables, seguros y equitativos en las aplicaciones de salud personal”, escribieron los investigadores. Esto incluye minimizar confabulaciones, abordar circunstancias de salud únicas y asegurar una formación de datos diversa.
En general, los investigadores afirmaron: “Este estudio marca un hito importante hacia la creación de LLM que ofrecen información y recomendaciones personalizadas, empoderando a las personas para alcanzar mejor sus objetivos de salud.”
Clasificación
