google
GoogleがウェアラブルデータでCKMリスクを予測、パーソナライズされた健康コーチングを提案
3分で読める

ウェアラブルデータとAIでCKM症候群のリスクをプロファイリング
Google Researchの研究者であるZeinab Esmaeilpour氏とAhmed A. Metwally氏が、ウェアラブルデバイスのデータと機械学習を組み合わせ、心血管・腎臓・代謝(CKM)症候群のリスクをプロファイリングし、パーソナライズされた健康コーチングを提供する調査フレームワークを発表しました。このフレームワークは、受動的なウェアラブル信号から「コーチ可能な健康年齢」を算出し、行動条件付き世界モデルを用いて12週間の「もしも」の習慣軌跡をシミュレーションし、さらに血液バイオマーカーと組み合わせることで、CKMの早期兆候を追跡します。
「コーチ可能な健康年齢」と行動シミュレーション
このフレームワークの核となるのは、以下の2点です。
- コーチ可能な健康年齢モデル: 消費者向けウェアラブルデバイスで受動的に測定される、修正可能な日常行動と生理学的データのみから構築された、解釈可能な健康年齢指標です。安静時心拍数、1日の歩数、睡眠時間、週間の活動ゾーン時間などの主要な信号を統合し、個人の健康年齢と実年齢の差(デルタ)を算出します。このモデルは、将来の疾患予測、時間の経過に伴う改善、臨床的健康との整合性において検証されています。
- センサー世界モデルと反実仮想コーチングシステム: 約10万人のFitbitユーザーから得られた228万週間のウェアラブルデータで事前学習された機械学習世界モデル(SensorWM)が、12週間の「もしも」の健康軌跡をシミュレーションします。これにより、特定の習慣(例:睡眠時間の延長、運動の追加)が身体にどのような影響を与えるかを予測します。このSensorWMは、言語モデルエージェントと組み合わされ、シミュレーション結果を現実的で臨床医が検証したコーチングプランに変換します。
このシステムは、個人のベースラインデータに基づいて、125通りの習慣の組み合わせをシミュレートし、健康年齢の改善と個人の習慣の柔軟性、臨床的安全性を考慮して最適なプランを提案します。ライフスタイルコーチと臨床医による評価では、この反実仮想に基づいたコーチングプランが、ウェアラブルデータのみに基づいたプランよりも、長期的な遵守を促し、安全性が高いと評価されました。
CKM健康への拡張:血液バイオマーカーとの連携
この健康年齢モデルはモジュール式であるため、定期的な臨床検査データも容易に組み込むことができます。補完研究では、ウェアラブルデータと血液バイオマーカーを組み合わせることで、心臓、腎臓、代謝システム全体の早期のサブクリニカルな負担を検出するようフレームワークを拡張しました。これにより、日々のライフスタイルパターンだけでは見落とされがちなCKM症候群のプロファイリングが可能になります。


