Principales destacados
- Google Research reveló SensorFM, un modelo de inteligencia artificial entrenado con más de un billón de minutos de datos recopilados por dispositivos vestibles de aproximadamente cinco millones de personas.
- El modelo puede interpretar diferentes aspectos de la salud utilizando una única arquitectura, abarcando áreas como el sueño, la salud cardiovascular, el metabolismo, la salud mental y los hábitos de vida.
- En evaluaciones clínicas independientes, SensorFM superó a los métodos tradicionales en 34 de las 35 tareas analizadas, demostrando potencial para servir como base de futuros agentes personales de salud impulsados por IA.
Google Research anunció oficialmente SensorFM, un nuevo modelo de inteligencia artificial desarrollado para comprender datos generados por dispositivos vestibles a una escala sin precedentes.
La tecnología representa uno de los mayores proyectos realizados hasta ahora con información fisiológica captada continuamente por smartwatches y pulseras inteligentes, y podría marcar una nueva etapa en el uso de la IA para el monitoreo preventivo de la salud.
Mientras que la mayoría de las soluciones disponibles actualmente están diseñadas para resolver un único problema específico, SensorFM fue concebido como un modelo fundacional.
En lugar de aprender solo una tarea, construye una comprensión amplia del funcionamiento del organismo humano, permitiendo que el mismo sistema se adapte a diversas aplicaciones médicas y de bienestar.
Según Google, el entrenamiento utilizó más de un billón de minutos de registros provenientes de cerca de cinco millones de usuarios distribuidos en más de 100 países.
Los datos fueron recopilados por dispositivos como Fitbit y Pixel Watch, formando un conjunto extremadamente diverso de información relacionada con el comportamiento fisiológico de las personas a lo largo del día y la noche.
La empresa cree que esta escala de entrenamiento acerca a la inteligencia artificial a la creación de sistemas capaces de acompañar continuamente el estado de salud de los usuarios, identificando cambios sutiles incluso antes de que se conviertan en síntomas perceptibles.
Cómo SensorFM aprende a interpretar señales del cuerpo humano
La principal diferencia de SensorFM radica en la forma en que fue entrenado. En lugar de depender de grandes volúmenes de datos previamente etiquetados para cada enfermedad o condición clínica, el modelo aprende patrones generales del funcionamiento del cuerpo humano y transforma esta información en representaciones matemáticas reutilizables, conocidas como embeddings.
Estas representaciones pueden utilizarse posteriormente en numerosas tareas diferentes, reduciendo la necesidad de desarrollar un nuevo modelo de inteligencia artificial para cada aplicación.
Durante el entrenamiento, el sistema procesó 34 características agregadas minuto a minuto provenientes de cinco modalidades distintas de sensores presentes en los wearables. Entre ellas se encuentran la frecuencia cardíaca, la saturación de oxígeno en sangre, la temperatura de la piel, el movimiento corporal y otros indicadores fisiológicos que reflejan cambios naturales del organismo.
Al combinar estas señales a lo largo del tiempo, la IA logra construir una visión mucho más completa del estado físico y conductual del usuario. Esto permite que el modelo se aplique simultáneamente en áreas como la salud cardiovascular, el metabolismo, la calidad del sueño, el acondicionamiento físico, los hábitos de vida e incluso aspectos relacionados con la salud mental.
Según los investigadores, este enfoque acerca a la inteligencia artificial a una comprensión integrada del organismo humano, en lugar de analizar cada variable de forma aislada.
Otro punto importante es la diversidad del conjunto de entrenamiento. Como los datos fueron recopilados en decenas de países y en diferentes perfiles poblacionales, el modelo tuvo contacto con una amplia variedad de rutinas, edades, condiciones climáticas, patrones de actividad física y estilos de vida.
Esta diversidad tiende a hacer que la IA sea más robusta cuando se aplica en distintas poblaciones.
Resultados impresionan en pruebas clínicas independientes
Para evaluar si SensorFM realmente aprendía representaciones útiles de la fisiología humana, Google sometió el modelo a una batería de pruebas que involucraron tres estudios clínicos independientes, reuniendo a casi 14 mil participantes.
En total, se realizaron 35 tareas distintas de predicción relacionadas con la salud. Incluso utilizando solo una capa lineal simple sobre los embeddings producidos por SensorFM, los investigadores observaron un rendimiento superior a los métodos supervisados tradicionales en 34 de estas tareas.
En la práctica, esto significa que el modelo logró extraer información más relevante de los sensores que los enfoques desarrollados manualmente por especialistas a lo largo de los últimos años.
Los resultados llamaron especialmente la atención en las tareas relacionadas con la salud mental. Condiciones como la ansiedad y la depresión suelen producir cambios muy sutiles en variables fisiológicas, lo que hace que su identificación sea bastante compleja.
Aun así, SensorFM logró detectar patrones consistentes asociados a estas condiciones, lo que indica que los modelos fundacionales pueden captar relaciones extremadamente sutiles entre diferentes señales biológicas.
Los investigadores destacan que la propuesta no es sustituir evaluaciones médicas, sino proporcionar herramientas capaces de ayudar a los profesionales de la salud y ofrecer un monitoreo continuo que difícilmente sería posible solo mediante consultas presenciales.
Esta capacidad también puede abrir espacio para sistemas que alerten a los usuarios cuando cambios fisiológicos persistentes indiquen la necesidad de buscar atención médica.
La escala de datos sigue impulsando el rendimiento de la IA
Otro aspecto que llamó la atención en la investigación fue el comportamiento del modelo a medida que aumentaban tanto el volumen de datos como su capacidad computacional.
En muchos proyectos de inteligencia artificial, llega un punto en el que ampliar el tamaño del modelo deja de generar mejoras relevantes. En el caso de SensorFM, sin embargo, los investigadores afirman que ese límite aún no ha aparecido.
El equipo liderado por el Científico Investigador Senior Xin Liu y el Científico Investigador Daniel McDuff observó que el rendimiento continuó evolucionando de forma prácticamente lineal a medida que se utilizaban más datos durante el entrenamiento.
La versión más grande desarrollada, llamada SensorFM-B, utilizó todo el conjunto de información proveniente de los cinco millones de participantes.
En comparación con la variante más pequeña del modelo, presentó una reducción del 31% en la pérdida de reconstrucción durante el entrenamiento y una mejora promedio del 9% en las tareas posteriores de clasificación.
Estos resultados refuerzan una tendencia observada en otros modelos fundacionales: cuanto mayor es la diversidad de datos y la capacidad del modelo, mejores tienden a ser las representaciones aprendidas.
Para acelerar la adaptación de SensorFM a diferentes aplicaciones, Google también desarrolló una infraestructura basada en agentes de inteligencia artificial. Estos agentes colaboran automáticamente en la creación, prueba y refinamiento de cabezas de predicción específicas para cada tarea.
A lo largo de los experimentos, este entorno exploró más de 30 mil soluciones candidatas, automatizando un proceso que normalmente requeriría semanas o meses de trabajo manual por parte de los investigadores.
SensorFM puede servir como base para futuros agentes personales de salud
Además de las evaluaciones tradicionales, Google también investigó cómo SensorFM puede utilizarse en una aplicación mucho más ambiciosa: servir como el cerebro de un futuro Agente de Salud Personal basado en inteligencia artificial.
En este experimento, el modelo generó resúmenes sobre el estado de salud de los participantes utilizando únicamente los datos provenientes de los sensores vestibles.
Estos informes fueron evaluados por profesionales del área médica y comparados con análisis producidos a partir de mediciones clínicas reales.
Según los investigadores, los especialistas clasificaron los resúmenes producidos por la IA como equivalentes a los basados en evaluaciones clínicas en las cinco dimensiones analizadas. Estadísticamente, no se observó una diferencia significativa entre las predicciones de SensorFM y los datos considerados como referencia.
Aunque esto no significa que la tecnología esté lista para sustituir exámenes médicos o diagnósticos realizados por profesionales, el estudio demuestra el enorme potencial de los modelos fundacionales para actuar como sistemas de apoyo a la decisión clínica.
En el futuro, tecnologías de este tipo podrán acompañar continuamente cambios fisiológicos, identificar riesgos de forma temprana, generar recomendaciones personalizadas y proporcionar información valiosa tanto para médicos como para pacientes.
El artículo científico que describe toda la investigación, titulado Towards a General Intelligence and Interface for Wearable Health Data, fue publicado inicialmente en arXiv en mayo de 2026 y anunciado oficialmente por Google Research en julio.
Con SensorFM, Google amplía su estrategia de desarrollar modelos fundacionales especializados para diferentes áreas del conocimiento.
Tras los avances en lenguaje, imágenes, video y robótica, la empresa ahora demuestra que la inteligencia artificial también puede evolucionar rápidamente en la interpretación de datos biométricos, acercando el sector de la salud a una nueva generación de asistentes inteligentes capaces de ofrecer monitoreo continuo, contextualizado y altamente personalizado.
