Sektör kaynaklarından ve akademi dünyasından gelen son dakika raporlarına göre, Massachusetts Institute of Technology (MIT) ve Empirical Health araştırmacıları, giyilebilir teknoloji ve sağlık analitiği alanında çığır açan yeni bir yapay zeka modeli geliştirdi. Araştırmacılar, Apple Watch kullanıcılarından elde edilen 3 milyon insan-günlük (person-days) veriyi kullanarak, tıbbi durumları etkileyici bir doğrulukla tahmin edebilen bir “temel model” (foundation model) eğitti.

Bu gelişme, sağlık verilerinin işlenmesinde yaşanan en büyük sorunlardan biri olan “eksik veri” problemine köklü bir çözüm getiriyor. İşte detaylara takıntılı okurlarımız için NeurIPS çalıştayına kabul edilen bu araştırmanın teknik anatomisi.

JETS Modeli: Sağlık Verilerinde “Dünya Modeli” Yaklaşımı

Araştırmacıların geliştirdiği modelin tam adı: JETS (Joint Embedding Time Series Foundation Model). Bu model, Meta’nın Baş Yapay Zeka Bilimcisi Yann LeCun tarafından önerilen “Joint-Embedding Predictive Architecture” (JEPA) mimarisini temel alıyor.

JEPA mimarisinin temel prensibi, eksik verilerin tam değerini tahmin etmek yerine (token-prediction), verinin “ne anlama geldiğini” (embedding) tahmin etmektir. JETS modeli de bu prensibi, düzensiz aralıklarla gelen Apple Watch verilerine uyarlıyor.

Araştırmanın Veri Seti ve Kapsamı

Raporlara göre çalışma, devasa bir veri havuzuna dayanıyor. Araştırmada kullanılan veri setinin kesin istatistikleri şunlar:

Katılımcı Sayısı: 16.522 birey.
Toplam Veri Süresi: Yaklaşık 3 milyon insan-günü.
İzlenen Metrik Sayısı: Her birey için günlük veya daha düşük çözünürlükte kaydedilen 63 farklı zaman serisi metriği.
Etiketli Veri Oranı: Katılımcıların sadece %15’inin değerlendirme için kullanılabilir etiketli tıbbi geçmişi bulunuyor (Bu durum, modelin etiketsiz veriden öğrenme yeteneğini kanıtlıyor).

5 Ana Fizyolojik ve Davranışsal Alan

Araştırmacılar, Apple Watch üzerinden toplanan 63 metriği şu 5 ana kategoride sınıflandırıyor:

Kardiyovasküler Sağlık (Cardiovascular Health)
Solunum Sağlığı (Respiratory Health)
Uyku Düzeni (Sleep)
Fiziksel Aktivite (Physical Activity)
Genel İstatistikler (General Statistics)

Teknik Çalışma Prensibi: JETS Nasıl Öğreniyor?

Geleneksel modellerin aksine JETS, verilerin sürekli ve eksiksiz olmasına ihtiyaç duymuyor. Araştırmanın teknik dökümanlarına göre sistem şu adımlarla çalışıyor:

Üçlü Veri Yapısı (Triplets): Veriler “Gün”, “Değer” ve “Metrik Tipi” olarak üçlü gruplar haline getiriliyor.
Tokenizasyon: Her gözlem bir “Token”a dönüştürülüyor.
Maskeleme (Masking): Verinin bir kısmı bilinçli olarak maskeleniyor.
Kodlama ve Tahmin (Encoding & Prediction): Sistem, maskelenen kısımların kesin değerini değil, o boşluğun “temsili anlamını” (embedding) tahmin etmek üzere eğitiliyor.
İnce Ayar (Fine-Tuning): Model önce etiketsiz komple veri setiyle kendi kendine öğreniyor (self-supervised pre-training), ardından etiketli %15’lik kısımla ince ayar yapılıyor.

Neden Önemli? Düzensiz Veri Sorunu

Bu çalışmayı kritik kılan nokta, giyilebilir cihaz verilerinin doğası gereği “düzensiz” olmasıdır. Raporlara yansıyan istatistiklere göre:

Bazı sağlık metrikleri, zamanın sadece %0.4’ünde kaydedilebiliyor.
Diğer metrikler ise günlük okumaların %99’unda mevcut olabiliyor.

JETS modeli, bu devasa uçurumu kapatarak, verilerin %85’inin “çöp” olarak nitelendirileceği geleneksel yöntemlerin aksine, her bir veri kırıntısını anlamlı bir hastalık tespit aracına dönüştürüyor.

Bu içerik yalnızca bilgilendirme amaçlıdır ve tıbbi tavsiye yerine geçmez. Sağlık sorunlarınız için lütfen bir sağlık kuruluşuna başvurunuz.

Techneiro Analizi

Teknoloji dünyasında “Büyük Veri” kavramını yıllardır duyuyoruz ancak Apple Watch gibi cihazlardan elde edilen verilerin tıbbi tanıda bu denli derinlemesine işlenmesi, yapay zeka mimarisindeki (JEPA gibi) son değişimler sayesinde mümkün oluyor.

Burada dikkat çekilmesi gereken en kritik nokta, “Self-Supervised Learning” (Kendi Kendine Denetimli Öğrenme) metodolojisinin başarısıdır. Geleneksel tıbbi yapay zeka çalışmalarında en büyük engel, verilerin tek tek doktorlar tarafından etiketlenmesi gerekliliğiydi. 16 bin kişinin verisini manuel etiketlemek aylar, hatta yıllar sürer. Ancak JETS modeli, verinin %85’inin etiketlenmemiş (yani bu veri kime ait, hangi hastalığı var bilinmiyor) olmasına rağmen, veriler arasındaki örüntüyü çözerek öğreniyor. Sadece %15’lik bir “cevap anahtarı” (etiketli veri) ile sonuca gidiyor.

Bu, gelecekte Apple Watch’un sadece nabız ölçen bir cihaz olmaktan çıkıp, henüz semptom göstermeyen hastalıkları, veri boşluklarını “tahmin ederek” yakalayan aktif bir tıbbi asistana dönüşeceğinin en somut kanıtıdır. Özellikle Yann LeCun’un “Dünya Modelleri” vizyonunun sağlık dikeyinde somutlaşması, LLM (Dil Modelleri) çılgınlığının ötesinde, hayat kurtarıcı AI modellerinin yükselişini işaret ediyor.

Teknoloji dünyasındaki en son yenilikleri ve özel incelemeleri kaçırmamak için Techneiro.com‘u takipte kalın.