Am 9. Juli 2026 veröffentlichte Google Research das Grundlagenmodell für tragbare Gesundheit SensorFM. Sie wurde vortrainiert anhand von Daten von 5 Millionen Nutzern, die sich bereit erklärten, an der Studie teilzunehmen, und umfasste mehr als 100 Länder sowie mehr als 20 Fitbit- und Pixel Watch-Geräte, mit einem Gesamtdatenvolumen von über einer Billion Minuten. Googles Ziel ist es nicht, ein weiteres Modell zu schaffen, das nur einzelne Kennzahlen vorhersagt, sondern eine übertragbare Menge menschlicher physiologischer Darstellungen zu erlernen, die eine gemeinsame Grundlage für kardiovaskuläre, metabolische, Schlaf-, psychische Gesundheits- und Lebensstilaufgaben schaffen.
Diese Studie ist bemerkenswert, weil das häufigste Problem bei Wearables nicht "keine Daten" ist, sondern fragmentierte Daten, erhebliche individuelle Unterschiede und teure medizinische Etiketten, die schwer auszufüllen sind. Früher konnten viele Modelle nur unabhängig um einen klaren Endpunkt trainiert werden, und nach dem Wechsel von Geräten, Zielgruppen oder Aufgaben mussten sie oft neu aufgebaut werden.
Wie geht SensorFM in der Realität mit fehlenden Daten um?
SensorFM erhält 34 minutenaggregierte Merkmale von fünf Sensortypen: photoplethysmisch, Beschleunigung, elektrische Aktivität, Hauttemperatur und Größe. Es kann kontinuierliche Signale wie Herzfrequenz und deren Schwankungen, Blutsauerstoff, Schlafphasen, Bewegung, Schrittzahl, Hautelektrizität und Temperatur erkennen.
Das Modell verwendet selbstüberwachte Rekonstruktion und führt einen AIM-freundlichen Mechanismus für fehlende Fälle ein. Das Entfernen von Geräten, Energiesparen, Neustarten oder intermittierender Sensorbetrieb hinterlassen alle echte Lücken; Traditionelle Praktiken bestehen meist darin, Lücken zu füllen oder unvollständige Fragmente zu verwerfen; Ersteres kann Verzerrungen verursachen, während Letzteres Probenverlust verursachen kann. SensorFM verarbeitet reale fehlende Signale mit aktiven Signalen, die während des Trainings aktiv maskiert werden, sodass das Modell direkt aus unvollständigen Datensätzen lernen kann.
Nach der Skalierung beschränken sich die Verbesserungen nicht mehr auf Pre-Training-Metriken
Google führte Experimente mit vier Größenordnungen hinsichtlich Datenvolumen und Modellgröße durch. Die größte SensorFM-B reduzierte die Rekonstruktionsverluste um 31 % im Vergleich zur kleinsten Version und erzielte bei 33 von 35 nachgelagerten Aufgaben die besten Ergebnisse. Nach dem Einfrieren des Encoders wurde nur der leichte Vorhersagekopf trainiert, was darauf hindeutet, dass das Modell die überwachte Basislinie auf Basis künstlicher Merkmale bei 34 Aufgaben überschritten hat, was darauf hindeutet, dass das Modell kein einziges Krankheitslabel gelernt hat.
Das Forschungsteam hatte außerdem mehrere Agenten mit großen Sprachmodellen, die konkurrierten und zusammenarbeiteten, um prädiktiven Headcode zu schreiben, und erforschte über 30.000 Lösungen. Von 20 Klassifikationsaufgaben übertroffen 16 einfache lineare Sonden, und 12 von 15 Regressionsaufgaben erzielten Verbesserungen. Das bedeutet, dass nach der grundlegenden Darstellung die Aufgabenanpassung von manueller Abstimmung zur automatischen Suche wechseln kann.
Wie weit ist es noch von einer echten persönlichen Gesundheitsassistentin entfernt?
Google integrierte SensorFM in den persönlichen Gesundheitsagenten und generierte Gesundheitszusammenfassungen aus 31 echten Teilnehmerprofilen. Kliniker erreichten 1.860 Punktzahlen im Blind Review, und nach der Hinzufügung der SensorFM-Vorhersage übertraf das Abstract den Ausgangswert ohne Modellvorhersage in Bezug auf Kontext, Relevanz, Interpretierbarkeit, Personalisierung und potenziellen Schaden.
Dies sind jedoch weiterhin Forschungsergebnisse und bedeuten nicht, dass Fitbit oder Pixel Watch neue medizinische Diagnosefähigkeiten gewonnen haben, noch sollten Modellvorhersagen als Labortests oder Schlussfolgerungen von Ärzten betrachtet werden. Der wirkliche Einstieg in Konsumgüter erfordert weiterhin klinische Validierung, regionale Regulierung, Datenschutzautorisierung und laufende Fehlerüberwachung. Die praktische Bedeutung von SensorFM besteht darin, zu beweisen, dass langfristige, fragmentierte tragbare Daten in allgemeine Gesundheitsrepräsentationen umgewandelt werden können; Sie eröffnet einen personalisierteren Weg für Gesundheitsinformationen und hebt Datenverwaltung sowie medizinische Verantwortung in eine wichtigere Position.
