Dai segnali biologici alle informazioni sanitarie

L'intelligenza artificiale viene sempre più utilizzata per analizzare i segnali biologici misurati da dispositivi indossabili come gli smartwatch. Riconoscendo modelli significativi nei dati sulla salute, tra cui sonno, battito cardiaco e attività fisica, l'intelligenza artificiale aiuta gli utenti a comprendere e gestire meglio la propria salute.

In un forum sanitario tenuto durante l'evento Galaxy Unpacked nel luglio 2026, Samsung ha presentato la sua visione per l'assistenza connessa, Connected Care, immaginando il prossimo capitolo della salute digitale, un futuro in cui l'assistenza passa dal trattamento reattivo a esperienze preventive, personali e connesse supportate da innovazioni e partnership affidabili nell'intero ecosistema sanitario.

I ricercatori del team Digital Health di Samsung presso Samsung Research America (SRA) stanno sviluppando nuove tecnologie di intelligenza artificiale che comprendono continuamente lo stato di salute umana in base ai segnali biologici, creano informazioni sulla salute e forniscono una guida sanitaria appropriata. I ricercatori di Samsung hanno recentemente introdotto due modelli fondamentali progettati utilizzando i dati dei dispositivi indossabili: xMAE (ricostituzione multimodale mascherata fisiologicamente consapevole per l'apprendimento della rappresentazione dei segnali biologici), che impara la relazione temporale tra diversi segnali biologici, e HiMAE (autocoder mascherato gerarchico), che comprende i modelli di salute a diverse scale temporali all'interno dei dati delle serie temporali dei dispositivi indossabili.

Entrambi gli studi dimostrano progressi nei modelli sanitari di intelligenza artificiale in grado di comprendere meglio le condizioni fisiologiche e la struttura temporale dei segnali biologici. Il lavoro di Samsung sui modelli xMAE e HiMAE è stato accettato alla Conferenza internazionale sull'apprendimento automatico e alla Conferenza internazionale sulle rappresentazioni di apprendimento, evidenziando l'importanza di questi sforzi di ricerca.

Dopo una formazione preliminare su ampi dati sanitari, questi modelli possono essere utilizzati per eseguire una vasta gamma di ulteriori compiti sanitari, tra cui l'analisi di segnali biologici, lo sviluppo di nuovi o migliorati indicatori biologici e la previsione di problemi di salute.

Un elettrocardiogramma è molto accurato, ma di solito richiede agli utenti di fare una pausa e misurarlo attivamente. D'altra parte, la fotopletismografia misura indirettamente la funzione cardiaca rilevando cambiamenti nel flusso sanguigno e può essere misurata passivamente e continuamente con sensori in dispositivi indossabili come gli smartwatch. Entrambi i segnali provengono dalla stessa attività cardiaca, ma appaiono con un certo ritardo di tempo, simile a come si sente il tuono dopo aver visto un fulmine.

xMAE è un framework di pre-addestramento per i segnali biologici progettato per imparare la relazione temporale tra entrambi i segnali ricostruendo parti mascherate del segnale dell'elettrocardiogramma utilizzando il segnale della fotopletismografia, che è più facile e misurabile in modo continuo. Di conseguenza, le caratteristiche relative alla salute cardiovascolare possono essere analizzate con maggiore precisione utilizzando la fotopletismografia senza la necessità di misurazioni manuali separate dell'elettrocardiogramma. I ricercatori hanno addestrato il modello xMAE utilizzando circa 9.400 ore di dati dell'elettrocardiogramma e della fotopletismografia. Il modello ha superato i modelli non modali dei segnali biologici e quelli esistenti.