Um estudo recente, com apoio da Apple, mostra que informações sobre o comportamento diário de usuários — como padrões de sono, atividade física e movimentos — podem ser mais eficazes para identificar condições de saúde do que dados biométricos tradicionais, como batimentos cardíacos ou níveis de oxigênio no sangue.
Para testar essa ideia, foi desenvolvido um modelo de inteligência artificial chamado Wearable Behavior Model (WBM), treinado com mais de 2,5 bilhões de horas de dados captados por Apple Watches e iPhones de 161 mil participantes do Apple Heart and Movement Study (AHMS).
Diferente dos métodos convencionais, que se baseiam diretamente em sinais fisiológicos brutos, o WBM analisa métricas comportamentais de longo prazo, como ritmo de caminhada, frequência respiratória, variações na frequência cardíaca, tempo de sono e contagem de passos. Essas informações, mais estáveis e menos suscetíveis a variações momentâneas, mostraram alto potencial para prever mudanças no estado de saúde.
Ao combinar esses dados com medições fisiológicas, como as fornecidas por sensores PPG, o sistema atingiu 92% de precisão na detecção de gravidez. A mesma abordagem também apresentou bons resultados na identificação de infecções, distúrbios cardiovasculares e lesões.
Segundo os pesquisadores, a alta precisão do modelo se deve à junção de dois tipos de dados: os fisiológicos, que indicam alterações imediatas no corpo, e os comportamentais, que revelam tendências ao longo do tempo. A proposta não é substituir sensores, mas criar um sistema integrado e mais eficiente para o monitoramento da saúde em tempo real.
