Uno smartwatch può anticipare i rischi per la salute? La dottoranda Marta Arbizu Gómez presenta come il modello di intelligenza artificiale SensorFM utilizza i dati dei dispositivi indossabili per analizzare i pattern fisiologici e il loro impatto sulla valutazione clinica e neuropsicologica.
L’integrazione dell’intelligenza artificiale e dei dispositivi indossabili sta trasformando la raccolta continua dei dati sanitari. Questo articolo analizza il potenziale clinico di SensorFM, un nuovo modello fondazionale che trasforma la registrazione di biomarcatori digitali in informazioni rilevanti per la neuroriabilitazione e la valutazione cognitiva. Scopri come il monitoraggio fisiologico passivo di variabili come il sonno, l’attività o lo stato emotivo possa integrare l’intervento tradizionale e aprire nuove strade per il follow-up clinico personalizzato.
Quali informazioni si possono ricavare da un dispositivo indossabile?
Smartwatch e braccialetti intelligenti registrano continuamente informazioni sulla nostra attività fisica e sul nostro funzionamento fisiologico. Nel corso della giornata possono misurare il movimento, la frequenza cardiaca, la variabilità della frequenza cardiaca, la saturazione dell’ossigeno, la temperatura cutanea, l’attività elettrodermica o le diverse fasi del sonno.
Tuttavia, trasformare questi segnali in informazioni clinicamente utili è ancora una sfida. Le misurazioni ottenute possono variare da una persona all’altra, da un dispositivo all’altro e in base al momento della giornata; inoltre, i dati presentano spesso interruzioni quando l’utente si toglie l’orologio, la batteria si scarica o un sensore smette di registrare correttamente.
Inoltre, sviluppare un algoritmo diverso per ogni problema di salute richiede grandi quantità di dati etichettati correttamente, una risorsa particolarmente difficile e costosa da ottenere in ambito sanitario.
Per superare questi limiti, un team di Google Research e di altre istituzioni ha sviluppato SensorFM, un modello fondazionale di intelligenza artificiale addestrato per apprendere rappresentazioni generali della salute a partire dai dati provenienti da dispositivi indossabili. Lo studio, pubblicato come preprint, analizza se un unico modello possa sfruttare questi segnali per effettuare previsioni relative a diverse aree della salute.
Che cos’è un modello fondazionale per i dati sanitari?
I modelli fondazionali vengono addestrati su enormi quantità di informazioni, normalmente senza che sia necessario associare a ogni dato un’etichetta specifica. Durante questo processo, il modello apprende pattern generali che possono poi essere adattati a molteplici compiti.
SensorFM segue questo approccio, ma invece di apprendere da testi o immagini, utilizza serie temporali registrate dai sensori.
Il modello è stato preaddestrato con:
- Oltre un miliardo di minuti di dati.
- Informazioni provenienti da cinque milioni di persone.
- Partecipanti di oltre 100 Paesi.
- Oltre 20 modelli di dispositivi Fitbit e Pixel Watch.
- Cinque principali tipi di sensori: fotopletismografia, accelerometro, temperatura cutanea, attività elettrodermica e altimetro.
A partire da questi sensori, i ricercatori hanno ricavato 34 variabili registrate ogni minuto, tra cui la frequenza cardiaca, diverse misure della variabilità cardiaca, la saturazione dell’ossigeno, i passi, la temperatura cutanea e le fasi del sonno.
Il modello analizzava finestre complete di 24 ore e apprendeva a ricostruire parti delle informazioni che erano state oscurate artificialmente. In questo modo, non apprendeva soltanto i valori individuali di ciascun segnale, ma anche le loro relazioni e la loro evoluzione nel corso della giornata.

Iscriviti
alla nostra
Newsletter
Che cosa volevano scoprire i ricercatori?
Lo studio si è concentrato su tre domande principali:
- In primo luogo, gli autori volevano verificare se aumentare contemporaneamente la quantità di dati e le dimensioni del modello producesse miglioramenti prevedibili delle sue prestazioni.
- In secondo luogo, hanno valutato se le rappresentazioni apprese potessero essere riutilizzate per prevedere diversi aspetti della salute, anche quando erano disponibili pochi campioni etichettati.
- Infine, hanno analizzato se le previsioni di SensorFM potessero essere integrate in un assistente sanitario personale basato sull’intelligenza artificiale per generare risposte più pertinenti, personalizzate e sicure.
Per valutare il modello, hanno utilizzato informazioni indipendenti relative a 13.985 partecipanti, provenienti da tre studi prospettici incentrati sulla salute metabolica e cardiovascolare, sulla salute mentale e sul sonno.
Un unico modello per 35 compiti relativi alla salute
SensorFM è stato valutato in 35 compiti diversi, raggruppati in sei grandi aree:
- Salute cardiovascolare.
- Salute metabolica.
- Salute mentale.
- Sonno.
- Stile di vita.
- Caratteristiche demografiche e fisiologiche.
Tra le variabili analizzate figuravano il rischio cardiovascolare, l’ipertensione, il diabete, l’insulino-resistenza, i livelli di emoglobina glicata e trigliceridi, la depressione, l’ansia, lo stress percepito e i disturbi del sonno.
Il modello è stato utilizzato anche per stimare caratteristiche quali l’età, l’indice di massa corporea, l’altezza e il peso. Queste variabili non vanno necessariamente interpretate come obiettivi clinici in sé, ma come un modo per verificare quante informazioni fisiologiche e comportamentali il sistema avesse appreso.
Quali sono stati i principali risultati?
I risultati mostrano che il modello ha appreso una rappresentazione generalizzabile della fisiologia e del comportamento registrati tramite dispositivi indossabili.
SensorFM ha superato i modelli supervisionati tradizionali basati su variabili progettate manualmente in 34 dei 35 compiti valutati. In altre parole, le rappresentazioni apprese direttamente a partire da grandi quantità di dati si sono rivelate più informative dei riepiloghi convenzionali calcolati sugli stessi segnali.
Inoltre, le prestazioni sono migliorate all’aumentare congiunto del numero di partecipanti utilizzati durante l’addestramento e della capacità del modello. La versione più grande ha ottenuto i risultati migliori in 33 dei 35 compiti.
Gli autori hanno inoltre osservato che i modelli di dimensioni maggiori dipendevano meno dalle informazioni demografiche aggiunte successivamente. Ciò suggerisce che parte delle differenze fisiologiche associate a variabili come l’età o l’indice di massa corporea fosse già rappresentata nei pattern registrati dai sensori.
Apprendere con meno dati clinici etichettati
Uno dei risultati più rilevanti è stata la capacità del modello di adattarsi a nuovi compiti utilizzando relativamente pochi dati etichettati.
Nella ricerca sanitaria, ottenere informazioni continue tramite uno smartwatch è relativamente semplice, mentre è molto più costoso disporre di diagnosi confermate, analisi del sangue o questionari clinici completi.
Avendo appreso in precedenza pattern generali a partire da milioni di partecipanti, SensorFM aveva bisogno di meno esempi etichettati per sviluppare nuovi modelli predittivi. Questa efficienza potrebbe agevolare la ricerca su problemi di salute per i quali esistono coorti cliniche ridotte o informazioni limitate.
Tuttavia, la precisione continuava ad aumentare quando si disponeva di più dati etichettati, quindi il modello non elimina la necessità di avere campioni clinici rappresentativi e adeguatamente caratterizzati.
È in grado di ricostruire i dati mancanti?
I dati dei dispositivi indossabili sono spesso incompleti. L’utente può togliersi l’orologio per una parte della giornata, un sensore può disconnettersi o i segnali possono presentare errori.
SensorFM è stato addestrato specificamente per gestire queste informazioni mancanti. Nei test effettuati, ha superato i metodi di riferimento in diversi compiti di ricostruzione:
- 74,8% nell’imputazione di dati rimossi casualmente.
- 38,8% nella ricostruzione di intervalli temporali intermedi.
- 39,6% nella previsione di intervalli situati alla fine della registrazione.
- 83,7% quando mancavano i segnali completi di determinati sensori.
I ricercatori hanno simulato anche la perdita di un’ora intera di dati. Dopo aver ricostruito quell’intervallo, il modello ha mantenuto una precisione del 99,7% nella stima del numero giornaliero di passi, del 99,9% nel tempo trascorso nel sonno profondo e del 99,2% nei minuti di attività fisica leggera.
Questa capacità potrebbe evitare che un’interruzione occasionale alteri i riepiloghi giornalieri forniti all’utente.
Agenti di intelligenza artificiale per adattare il modello
Sebbene le rappresentazioni apprese da SensorFM potessero essere utilizzate con modelli statistici relativamente semplici, i ricercatori hanno esplorato anche una strategia automatizzata per migliorarne l’adattamento a ciascun compito.
A tal fine hanno creato una sorta di “aula” composta da diversi agenti basati su modelli linguistici. Questi agenti generavano codice, addestravano diverse soluzioni, confrontavano i risultati e modificavano progressivamente le loro proposte.
Nel complesso, il sistema ha eseguito oltre 30.000 esperimenti automatici.
Le soluzioni individuate dagli agenti hanno migliorato le prestazioni rispetto ai modelli lineari in 16 dei 20 compiti di classificazione e in 12 dei 15 compiti di regressione.
Questo risultato indica la possibilità di automatizzare parzialmente il processo di sviluppo dei modelli predittivi. Tuttavia, le soluzioni generate devono continuare a essere sottoposte a revisione e convalida rigorose, soprattutto quando vengono applicate a informazioni sanitarie.
Dai dati dell’orologio a un assistente sanitario personale
In seguito, i ricercatori hanno integrato le previsioni di SensorFM in un assistente sanitario personale basato su un modello linguistico.
L’obiettivo era verificare se l’assistente potesse rispondere meglio alle domande sulla salute quando, oltre a conoscere i dati demografici e i riepiloghi giornalieri del dispositivo indossabile, disponeva delle stime generate da SensorFM.
Sono stati utilizzati 31 profili reali e sono state generate risposte in tre condizioni:
- Dati demografici e metriche giornaliere del dispositivo indossabile.
- Dati demografici, metriche giornaliere e previsioni di SensorFM.
- Dati demografici, metriche giornaliere e valori clinici reali.
L’immagine 1 riassume il funzionamento del sistema e il disegno della valutazione. SensorFM trasforma i dati registrati dal dispositivo indossabile in previsioni sulla salute, che vengono aggiunte come contesto all’assistente prima che generi una risposta personalizzata.

Quattro professionisti sanitari hanno valutato le risposte in base al contesto, alla pertinenza, alla personalizzazione, alla giustificazione e al rischio potenziale. In totale sono state raccolte 1.860 valutazioni cliniche.
Le risposte che integravano le previsioni di SensorFM erano significativamente migliori di quelle basate unicamente sui riepiloghi giornalieri. Inoltre, non sono state rilevate differenze statisticamente significative tra le risposte generate con le previsioni del modello e quelle che utilizzavano i valori clinici reali.
Questo risultato non significa che SensorFM possa sostituire una valutazione medica. Indica che le sue previsioni hanno fornito all’assistente un contesto aggiuntivo utile per generare risposte più specifiche e coerenti.
Quali limiti presenta lo studio?
Nonostante l’ampiezza dei dati utilizzati, i risultati vanno interpretati con cautela.
In primo luogo, il lavoro è un preprint, quindi non ha ancora completato il consueto processo di revisione paritaria.
Il modello è stato addestrato principalmente con dispositivi Fitbit e Pixel Watch. Non è garantito che funzioni allo stesso modo con quelli di altri produttori, i cui sensori e metodi di elaborazione potrebbero essere diversi.
Inoltre, sono state utilizzate variabili aggregate ogni minuto e non i segnali fisiologici originali. Questo consente di analizzare periodi prolungati, ma può eliminare informazioni ad alta frequenza rilevanti per alcune applicazioni cliniche.
Una parte dei risultati utilizzati per valutare il modello proveniva da diagnosi autodichiarate, farmaci o questionari di screening, e non sempre da diagnosi cliniche confermate. Inoltre, la popolazione studiata differiva da quella generale: erano maggiormente rappresentate le donne e le persone che utilizzano dispositivi indossabili.
Infine, la valutazione dell’assistente sanitario personale si è limitata a risposte statiche e a un solo turno. Una reale interazione clinica richiederebbe ulteriori domande, una revisione del contesto e un follow-up longitudinale.
Quali implicazioni può avere per la salute digitale?
Questo studio prospetta il passaggio da algoritmi creati per un singolo compito a modelli generali in grado di riutilizzare la stessa rappresentazione per diversi problemi di salute.
I dispositivi indossabili offrono una visione longitudinale del funzionamento quotidiano, a differenza delle misurazioni puntuali effettuate durante una visita. In combinazione con modelli adeguatamente convalidati, potrebbero aiutare a individuare cambiamenti fisiologici o comportamentali, selezionare le persone che necessitano di una valutazione più approfondita e garantire un monitoraggio più continuo.
In neurologia e neuropsicologia, questo tipo di tecnologia potrebbe rivelarsi particolarmente interessante per studiare i cambiamenti nel sonno, nell’attività, nelle abitudini quotidiane, nella risposta autonomica o nello stato emotivo. Questi cambiamenti possono accompagnare diverse patologie neurologiche e psichiatriche, ma le previsioni ottenute tramite dispositivi indossabili non devono essere considerate diagnosi.
In che modo può contribuire NeuronUP?
Le informazioni passive ottenute tramite dispositivi indossabili possono essere integrate con valutazioni cognitive e programmi di intervento strutturati.
Piattaforme come NeuronUP consentono di valutare e allenare domini quali l’attenzione, la memoria, le funzioni esecutive, il linguaggio o la cognizione sociale. La futura combinazione di metriche cognitive con dati longitudinali relativi al sonno, all’attività e alla fisiologia potrebbe offrire una visione più completa dell’evoluzione di ciascuna persona.
Questa integrazione potrebbe favorire la personalizzazione degli interventi, l’individuazione dei cambiamenti funzionali e il monitoraggio della risposta al trattamento. A tal fine saranno necessari studi clinici specifici, modelli interpretabili e protocolli che garantiscano la privacy, l’equità e la sicurezza degli utenti.
Conclusioni
SensorFM dimostra che l’addestramento su larga scala con dati non etichettati provenienti da dispositivi indossabili può generare rappresentazioni utili in molteplici aree della salute.
Il modello ha superato i metodi tradizionali nella maggior parte dei compiti analizzati, è riuscito a ricostruire i dati mancanti e ha fornito informazioni aggiuntive a un assistente sanitario personale. Tuttavia, le sue previsioni vanno considerate strumenti potenziali per lo screening, la stratificazione del rischio e il monitoraggio, non sostituti della diagnosi clinica.
I risultati rappresentano un passo verso sistemi capaci di trasformare grandi quantità di dati quotidiani in informazioni personalizzate. La sfida ora sarà dimostrare che questi strumenti mantengono accuratezza, sicurezza e utilità quando vengono applicati a popolazioni cliniche diverse e in contesti sanitari reali.
Bibliografia
- Narayanswamy G, Xu MA, Heydari AA, et al. Verso un’intelligenza e un’interfaccia generali per i dati sanitari dei dispositivi indossabili. arXiv. 2026. https://doi.org/10.48550/arXiv.2605.22759
Domande frequenti sull’intelligenza artificiale e i dispositivi indossabili nella neuroriabilitazione
1. Che cos’è il modello SensorFM e come si applica alla salute digitale?
SensorFM è un modello fondazionale di intelligenza artificiale sviluppato da Google Research e da altre istituzioni, addestrato con oltre un miliardo di minuti di dati provenienti da dispositivi indossabili. Apprende pattern generali dalle biosignali per formulare previsioni applicabili a molteplici compiti sanitari, che spaziano dalla qualità del sonno agli indicatori di salute metabolica e mentale.
2. Quali vantaggi offrono i biomarcatori digitali alla neuroriabilitazione?
Smartwatch e braccialetti intelligenti offrono una visione longitudinale e continua del funzionamento quotidiano dell’utente, registrando metriche quali la variabilità della frequenza cardiaca, le fasi del sonno o l’attività fisica. Questo monitoraggio passivo integra le valutazioni puntuali durante le visite, consentendo ai neuropsicologi di individuare cambiamenti sottili nelle abitudini, nella risposta autonomica o nello stato emotivo associati a diverse patologie.
3. In che modo l’intelligenza artificiale risolve la perdita di dati negli smartwatch?
I dati dei dispositivi indossabili presentano spesso interruzioni dovute a problemi della batteria o al fatto che l’utente si toglie il dispositivo. Modelli come SensorFM sono addestrati per ricostruire queste informazioni mancanti; nelle simulazioni in cui mancava un’ora intera di registrazione, il sistema ha mantenuto una precisione superiore al 99% nella stima del sonno profondo e dei passi giornalieri.
4. Le previsioni dei dispositivi indossabili possono sostituire la diagnosi clinica?
No, le variabili stimate dai modelli fondazionali a partire dai dispositivi indossabili non costituiscono di per sé obiettivi o diagnosi cliniche. Sono strumenti di screening e monitoraggio che forniscono un prezioso contesto aggiuntivo per personalizzare gli interventi, ma devono sempre integrarsi con valutazioni cliniche strutturate e con la supervisione di un professionista sanitario.







Formazione della fovea e visione: meccanismi e implicazioni nella degenerazione maculare legata all’età (DMLE)
Lascia un commento