Pokonanie utraty danych w wykrywaniu chorób za pomocą urządzeń noszonych poprzez imputację opartą na GAN

Dlaczego brakujące dane z urządzeń noszonych mają znaczenie

Opaski fitness i smartwatche niosą kuszącą obietnicę: co jeśli mogłyby ostrzegać nas o infekcji na kilka dni przed pojawieniem się objawów? W wielu częściach świata, zwłaszcza na obszarach wiejskich z niewielką liczbą klinik i laboratoriów, taki wczesny sygnał mógłby decydować o tym, czy choroba będzie łagodna, czy niebezpieczna. W praktyce jednak ludzie zapominają zakładać urządzenia, rozładowują się baterie, a połączenia internetowe zawodzą. To badanie zajmuje się prostym, lecz kluczowym pytaniem: czy da się uratować te przerwane strumienie danych na tyle dobrze, by nadal wykrywać wczesne oznaki choroby?

Przekształcanie luk w użyteczny sygnał

Naukowcy skupili się na danych o tętnie pochodzących z urządzeń noszonych na nadgarstku, ponieważ nocne spoczynkowe tętno ma tendencję do subtelnego wzrostu przed pojawieniem się objawów. Zamiast odrzucać noce z brakującymi pomiarami, zastosowali rodzaj sztucznej inteligencji zwany siecią generatywno‑adwersarialną (GAN) do wypełniania luk. Można myśleć o GAN jako o bardzo wprawnym zgadywaczu, który nauczył się typowych wzorców dziennego rytmu serca i potrafi odtworzyć, co prawdopodobnie działo się w brakujących godzinach, jednocześnie pozostawiając miejsce na nietypowe zmiany spowodowane infekcją.

Testowanie pomysłu na dwóch bardzo różnych chorobach

Aby sprawdzić, czy podejście działa w prawdziwym świecie, zespół badał dwie duże grupy osób. Jedną była kohorta COVID‑19 w Stanach Zjednoczonych obejmująca ponad 3000 uczestników, którzy generalnie mieli wiarygodne dane z urządzeń noszonych. Drugą była znacznie mniejsza kohorta malarii na wiejskich obszarach zachodniej Kenii, gdzie tylko około połowy oczekiwanych pomiarów tętna faktycznie zarejestrowano z powodu problemów z ładowaniem, łącznością i czasem noszenia urządzeń. Co zaskakujące, GAN był trenowany wyłącznie na danych z COVID‑19, a mimo to potrafił odtworzyć wiarygodne wzorce tętna w grupie malarycznej bez żadnego ponownego treningu.

Odnajdywanie ukrytych infekcji w wiejskiej Kenii

W kenijskim badaniu malarii 300 dorosłych nosiło opaski na nadgarstku, podczas gdy pracownicy terenowi regularnie badali ich na obecność malarii i zbierali dzienniki objawów. Autorzy połączyli odtworzone przez GAN nocne tętna z prostym systemem opartym na regułach, który monitoruje utrzymujące się wzrosty powyżej zwykłej wartości wyjściowej danej osoby. Z 161 infekcji malarii ich system wygenerował wczesne alerty w 100 przypadkach, a w 42 z tych przypadków alert nie pojawiłby się wcale bez wypełnienia brakujących danych. Średnio alerty te pojawiały się około 12 dni przed zgłoszeniem objawów przez osoby badane, co niemal odpowiada znanemu czasowi, w którym pasożyty malarii namnażają się we krwi. Nawet przy dużej utracie danych alerty miały tendencję do występowania przez 3,5 dnia z rzędu w oknie infekcji, co zwiększa prawdopodobieństwo, że pracownicy służby zdrowia je zauważą i podejmą działania.

Równoważenie dokładności, czytelności i praktyczności

Zespół porównał GAN z popularnymi metodami wypełniania luk, od bardzo prostych podejść, takich jak przeniesienie ostatniej wartości, po bardziej zaawansowane modele statystyczne. W obu grupach chorób GAN zazwyczaj dawał najdokładniejsze rekonstrukcje i lepiej zachowywał naturalne rytmy serca dzień–noc, nawet gdy ponad 70 procent danych było brakujących. Kiedy te ulepszone sygnały wprowadzono do zautomatyzowanych modeli wykrywania infekcji, poprawiła się zarówno czułość (wyłapywanie prawdziwych przypadków), jak i precyzja (unikanie fałszywych alarmów). Jednocześnie GAN zaprojektowano tak, by był lekki i szybki, dzięki czemu w przyszłości mógł działać na podstawowych komputerach lub urządzeniach brzegowych w miejscach o ograniczonej mocy i łączności.

Co to może znaczyć dla codziennej opieki

Dla osób niezajmujących się specjalistycznie najważniejszy wniosek jest taki, że brakujące dane z urządzeń noszonych to nie tylko szum do wyrzucenia. Przy użyciu odpowiedniego rodzaju inteligentnej rekonstrukcji te luki można przekształcić z powrotem w znaczący sygnał ostrzegawczy. Badanie pokazuje, że model AI wytrenowany na jednej chorobie (COVID‑19) może pomóc wykryć inną (malarię) w bardzo odmiennym otoczeniu, dając pracownikom ochrony zdrowia w wielu przypadkach tydzień lub więcej wczesnego ostrzeżenia. Jeśli zostanie wdrożony bezpiecznie i etycznie, taki system może pomóc pracownikom społeczności zdecydować, kogo badać, kiedy odwiedzić oraz jak priorytetyzować ograniczone zasoby, przesuwając opiekę z reakcji na pełnoobjawową chorobę w stronę dyskretnego wykrywania infekcji, gdy wciąż jest czas na interwencję.

Cytowanie: Wallner, J., Berbuir, S., Birner, L. et al. Overcoming Data Loss in Wearable Disease Detection with GAN-Based Imputation. npj Digit. Med. 9, 275 (2026). https://doi.org/10.1038/s41746-026-02518-4

Słowa kluczowe: czujniki noszone, wykrywanie chorób zakaźnych, malaria, uzupełnianie brakujących danych, zdrowie cyfrowe w warunkach o ograniczonych zasobach