Google Research создала систему «возраста здоровья» по данным носимых устройств

Google Research создала систему «возраста здоровья» по данным носимых устройств

11 ноября 2026 года исследователи Google Research Зейнаб Эсмаильпур и Ахмед А. Метвалли опубликовали в блоге описание экспериментальной системы машинного обучения. Она превращает пассивные сигналы с носимых устройств в «возраст здоровья, на который можно повлиять» (coachable health age, CHA), с помощью модели мира, учитывающей действия человека, моделирует его «что, если»-траектории на 12 недель вперёд, а в сопутствующем исследовании добавляет обычные анализы крови, чтобы отслеживать ранние признаки сердечно-почечно-метаболического синдрома (CKM).

Исходная проблема: болезни сердца, почек и метаболические нарушения вроде диабета 2 типа образуют взаимосвязанную цепь, а CKM часто развивается бессимптомно годами и зависит от повседневных привычек: движения, сна, нагрузки на сердце. Умные часы легко фиксируют, что человек делал вчера, но ответить на вопрос «как мои привычки влияют на CKM сейчас и насколько улучшится здоровье за три месяца, если спать на 30 минут дольше или добавить быструю прогулку» гораздо сложнее. Авторы отмечают, что у существующих «биологических часов» есть недостатки: многие обучены просто угадывать год рождения и цепляются за признаки, которые не изменить, либо работают как чёрные ящики и не показывают, как смена конкретной привычки сдвинет будущее здоровье.

Возраст здоровья CHA построен не на угадывании года рождения, а на опубликованных эпидемиологических исследованиях, связывающих повседневное поведение с риском кардиометаболических болезней. Модель использует четыре сигнала, которые пассивно собирают потребительские носимые устройства: пульс покоя, число шагов в день, длительность сна и еженедельные Active Zone Minutes (минуты активности в целевых пульсовых зонах). Дополнительно, если данные есть, учитываются VO2max, регулярность режима сна и инсулинорезистентность. Поскольку у активных людей пульс покоя обычно ниже, а сон лучше, авторы математически учитывают пересечение сигналов, чтобы каждая привычка вносила свой отдельный вклад в разницу между CHA и паспортным возрастом. Отрицательная разница (в примере −3 года) означает, что физиологический профиль выглядит моложе паспортного возраста, положительная, ускоренное старение. Модель проверена на трёх независимых когортах; в тексте блога их перечень не приведён.

Чтобы превратить число в план, команда разработала Sensor World Model (SensorWM): модель мира, учитывающую действия человека. Статический калькулятор с новыми целями по шагам и сну не видит, что тело адаптируется как связанная система: если несколько недель двигаться больше и лучше спать, пульс покоя и вариабельность сердечного ритма тоже постепенно улучшаются, что даёт дополнительную пользу. SensorWM предобучена на 2,28 млн человеко-недель обезличенных данных примерно 100 тысяч согласившихся пользователей Fitbit. По двум неделям исходных данных с носимого устройства она прогнозирует, как за следующие 12 недель изменятся 20 физиологических показателей при разных режимах шагов, сна и кардионагрузки. По утверждению авторов, SensorWM превосходит универсальные фундаментальные модели для временных рядов вроде TimesFM и сохраняет клинические закономерности, связанные с диабетом, гипертонией и инсулинорезистентностью; цифр в тексте нет.

К SensorWM подключили оптимизатор с ограничениями реализуемости и языковую модель в роли коуча. Чтобы проверить, даёт ли опора языковой модели на симуляции мира лучшие рекомендации, чем та же модель с одной лишь историей данных с устройства, провели слепое попарное сравнение: пять сертифицированных лайф-стайл-коучей и пять врачей с сертификацией (первичная помощь и медицина образа жизни) оценили рекомендации по 49 профилям участников пяти поведенческих типов, всего 490 парных оценок. Кроме того, провели автоматические оценки на всей когорте WEAR-ME (n = 2 780). Результаты сравнения (доли побед, баллы) в тексте блога не приводятся.

В сопутствующей работе «Cardiovascular-Kidney-Metabolic Health Age Using Wearables and Blood Biomarkers» систему расширили до профилирования CKM по отдельным органам: непрерывные данные носимых устройств дополнены редкими анализами крови, поскольку разовые заборы крови не видят повседневных паттернов образа жизни. Мультимодальную модель возраста здоровья CKM оценили у 819 участников WEAR-ME. Она сочетает сигналы устройства (пульс покоя, шаги, Active Zone Minutes, сон) с тремя анализами: отношением холестерина к ЛПВП (сердечно-сосудистая система), СКФ (eGFR, фильтрация в почках) и HOMA-IR (метаболическая инсулинорезистентность). Измеряя отклонение каждого показателя от здоровых клинических порогов (нормированная оценка отклонения), модель показала, что старение разных систем органов не идёт по одному шаблону: метаболическая и сердечно-сосудистая нагрузки часто коррелируют, а ранний спад работы почек нередко проявляется независимо. Разрыв CKM-возраста здоровья согласовался с объективными клиническими показателями (модифицированный Life's Essential 8: r = −0,58; тяжесть метаболического синдрома: r = 0,65) и с тем, как участники сами оценивали своё самочувствие в повседневной жизни.

Авторы подчёркивают ограничения: оценки проводились офлайн на ретроспективных исследовательских когортах, а модели являются экспериментальными исследовательскими прототипами, а не клиническими диагностическими инструментами. Они закладывают основу для будущих проспективных испытаний, где проверят, помогает ли интерактивное коучинг-планирование «что, если» формировать устойчивые привычки.

Ключевые факты

  • Google Research описала экспериментальную систему: по пассивным данным носимых устройств (пульс покоя, шаги, сон, Active Zone Minutes) считается «возраст здоровья» CHA, на который можно повлиять привычками.
  • Модель мира SensorWM, предобученная на 2,28 млн человеко-недель обезличенных данных примерно 100 тысяч пользователей Fitbit, по двум неделям данных прогнозирует 20 физиологических показателей на 12 недель вперёд.
  • Слепое сравнение: пять коучей и пять врачей дали 490 парных оценок по 49 профилям участников; автоматические оценки сделаны на когорте WEAR-ME (n = 2 780). Результаты в блоге не приведены.
  • В сопутствующем исследовании на 819 участниках WEAR-ME к данным устройства добавили три анализа крови; разрыв CKM-возраста здоровья коррелирует с modified Life's Essential 8 (r = −0,58) и тяжестью метаболического синдрома (r = 0,65).
  • Авторы называют модели исследовательскими прототипами, а не клиническими диагностическими инструментами; оценка проводилась офлайн на ретроспективных данных.

Почему это важно

Носимые устройства давно собирают много данных, но превратить их в понятное действие трудно. Работа Google Research пытается замкнуть цикл между отслеживанием здоровья и его улучшением: показатель привязан только к тому, на что человек может повлиять (шаги, сон, активность), а симулятор оценивает, как изменится профиль за 12 недель. Важная идея, учёт того, что тело адаптируется как связанная система, а не по отдельным целям. Сопутствующее исследование также показывает, что ранний спад работы почек может идти независимо от сердечно-метаболической нагрузки.

Кому это важно

Разработчикам и исследователям цифрового здоровья, команд носимых устройств и приложений для коучинга образа жизни; врачам первичной помощи и специалистам по медицине образа жизни, которым интересна персонализация рекомендаций; исследователям, работающим с моделями мира и временными рядами физиологических данных. Обычным владельцам умных часов результат пока практической пользы не даёт: это не продукт.

Как это применить

Напрямую применить нечего: в блоге нет сообщений о запуске в Fitbit или приложениях Google, о сроках клинического использования и о цене. Для практиков полезна сама схема: показатель из изменяемых привычек с поправкой на пересечение сигналов, прогноз по действиям, оптимизатор с ограничениями реализуемости и языковая модель, объясняющая план. Авторы ожидают проверить подход в будущих проспективных испытаниях.

Можно ли доверять

Источник, блог самих авторов, исследователей Google Research, поэтому это описание собственной работы, а не независимая оценка. Блог ссылается на два исследования (основное по коучингу и сопутствующее по CKM), но данных о публикации в рецензируемом журнале и ссылки на статьи в тексте нет. Количественных результатов для слепого сравнения коучинга и для сопоставления SensorWM с TimesFM не приведено; из чисел есть корреляции в CKM-работе (r = −0,58 и r = 0,65). Сами авторы подчёркивают офлайн-оценку на ретроспективных когортах.

Риски и подводные камни

Главное ограничение, о котором пишут авторы: это исследовательские прототипы, а не клинические диагностические инструменты, и проверены они лишь на ретроспективных данных. Реальный эффект рекомендаций на привычки ещё предстоит проверить проспективно. Заявление о превосходстве над TimesFM и о пользе опоры на симуляции не подкреплено числами в самом блоге. Корреляции возраста здоровья с клиническими шкалами не означают, что вмешательство по модели улучшит здоровье.

«Эти модели являются экспериментальными исследовательскими прототипами, а не клиническими диагностическими инструментами.»

— Зейнаб Эсмаильпур и Ахмед А. Метвалли, Google Research