Le 9 juillet 2026, Google Research a lancé le modèle de base de santé portable SensorFM. Il a été pré-entraîné sur des données de 5 millions d’utilisateurs ayant accepté de participer à l’étude, couvrant plus de 100 pays et plus de 20 appareils Fitbit et Pixel Watch, avec un volume total de données dépassant un trillion de minutes. L’objectif de Google n’est pas de créer un autre modèle qui ne prédit que des métriques individuelles, mais d’apprendre un ensemble transférable de représentations physiologiques humaines, fournissant une base commune pour les tâches cardiovasculaires, métaboliques, du sommeil, de la santé mentale et du mode de vie.
Cette étude est remarquable car le problème le plus courant avec les appareils connectés ne sont pas « l’absence de données », mais des données fragmentées, des variations individuelles significatives et des étiquettes médicales coûteuses difficiles à réaliser. Autrefois, de nombreux modèles ne pouvaient être entraînés de manière indépendante qu’autour d’un point de terminaison clair, et après avoir changé d’équipement, de public ou de tâches, ils devaient souvent être reconstruits.
Comment SensorFM gère-t-il réellement les données manquantes ?
SensorFM reçoit des caractéristiques agrégées en 34 minutes provenant de cinq types de capteurs : photopléthysmique, accélération, activité électrique, température de la peau et hauteur. Il peut détecter des signaux continus tels que la fréquence cardiaque et ses variations, l’oxygène sanguin, les stades du sommeil, l’exercice, le nombre de pas, l’électricité de la peau et la température.
Le modèle adopte une reconstruction auto-supervisée et introduit un mécanisme compatible avec AIM pour les cas manquants. Le retrait de l’appareil, l’économie d’énergie, le redémarrage ou le fonctionnement intermittent des capteurs laissent tous de réels écarts ; Les pratiques traditionnelles consistent généralement à combler les lacunes ou à éliminer des fragments incomplets ; la première peut introduire un biais, tandis que la seconde peut entraîner une perte d’échantillon. SensorFM traite les signaux manquants réels avec des signaux activement masqués pendant l’entraînement, permettant au modèle d’apprendre directement à partir de dossiers incomplets.
Après l’échelle, les améliorations ne se limitent pas aux indicateurs de pré-entraînement
Google a mené des expériences sur quatre ordres de grandeur en termes de volume de données et d’échelle du modèle. Le plus grand SensorFM-B a réduit les pertes de reconstruction de 31 % par rapport à la plus petite version, obtenant les meilleurs résultats sur 33 des 35 tâches en aval. Après avoir gelé l’encodeur, seule la tête légère de prédiction a été entraînée, indiquant que le modèle dépassait la référence supervisée sur la base de caractéristiques artificielles sur 34 tâches, ce qui indique que le modèle n’a appris aucune étiquette de maladie.
L’équipe de recherche a également fait appel à plusieurs agents de grands modèles de langage qui se sont affrontés et collaboraient pour écrire du code prédictif en tête, explorant plus de 30 000 solutions. Sur 20 tâches de classification, 16 ont surpassé les sondes linéaires simples, et 12 sur 15 les tâches de régression ont obtenu des améliorations. Cela signifie qu’après une représentation de base, l’adaptation des tâches peut passer d’un réglage manuel à une recherche automatique.
À quelle distance est-il de devenir un véritable assistant personnel de santé ?
Google a intégré SensorFM dans l’agent de santé personnel et a généré des résumés de santé à partir de 31 profils réels de participants. Les cliniciens ont obtenu 1 860 scores en revue à l’aveugle, et après avoir ajouté la prédiction de SensorFM, le résumé a surpassé la référence sans prédiction du modèle en termes de contexte, pertinence, interprétabilité, personnalisation et potentiel dommage.
Mais ce ne sont pas encore des résultats de recherche et ne signifient pas que Fitbit ou Pixel Watch ont acquis de nouvelles capacités diagnostiques médicales, ni que les prédictions de modèles doivent être prises comme des tests de laboratoire ou des conclusions médicales. Entrer véritablement dans les produits grand public nécessite toujours une validation clinique, une régulation régionale, une autorisation de confidentialité et une surveillance continue des erreurs. L’importance pratique de SensorFM est de prouver que des données portables fragmentées à long terme peuvent être entraînées en représentations générales de santé ; Cela ouvre une voie plus personnalisée pour l’intelligence en santé et élève la gouvernance des données et la responsabilité médicale à un rôle plus important.
