Återställa förlorade data i bärbar sjukdomsdetektion med GAN‑baserad imputering

Varför saknade data från bärbara enheter spelar roll

Fitnesstrackers och smartklockor rymmer ett lockande löfte: tänk om de kunde varna oss för en infektion dagar innan vi känner oss sjuka? I många delar av världen, särskilt på landsbygden där kliniker och laboratorier är få, kan den typen av tidig varning vara skillnaden mellan en lindrig sjukdom och en farlig sådan. Men i verkligheten glömmer människor att bära enheterna, batterier tar slut och internetuppkopplingen faller bort. Denna studie tar itu med en enkel men kritisk fråga: kan vi rädda de brutna dataströmmarna tillräckligt bra för att ändå upptäcka tidiga tecken på sjukdom?

Att göra luckor till en användbar signal

Forskarna fokuserade på hjärtfrekvensdata från handledsburna enheter, eftersom nattlig vilopuls tenderar att stiga diskret innan symtomen visar sig. Istället för att kasta bort nätter med saknade mätningar använde de en typ av artificiell intelligens kallad generative adversarial network (GAN) för att fylla i luckorna. Tänk på GAN:en som en mycket skicklig gissare som har lärt sig typiska dagliga hjärtrytm­mönster och kan rekonstruera vad som sannolikt hände under de saknade timmarna, samtidigt som den tillåter ovanliga förändringar orsakade av infektion.

Testa idén på två mycket olika sjukdomar

För att se om metoden fungerar i praktiken studerade teamet två stora grupper. Den ena var en COVID‑19‑kohort i USA med över 3 000 deltagare som i allmänhet hade tillförlitliga data från bärbara enheter. Den andra var en mycket mindre malaria‑kohort i västra Kenya, där endast omkring hälften av de förväntade hjärtfrekvensavläsningarna faktiskt registrerades på grund av laddning, uppkopplings- och användningstidsproblem. Anmärkningsvärt nog tränades GAN:en endast på COVID‑19‑datan, men den kunde ändå återskapa trovärdiga hjärtfrekvensmönster i malariagruppen utan omträning.

Att hitta dolda infektioner i rurala Kenya

I den kenyanska malariastudien bar 300 vuxna handledsband medan fältarbetare regelbundet testade dem för malaria och samlade in symtomdagböcker. Författarna kombinerade GAN:ens rekonstruerade nattliga hjärtfrekvenser med ett enkelt regelbaserat system som bevakar ihållande ökningar över en persons vanliga baslinje. Av 161 malariafall utfärdade systemet tidiga varningar i 100 fall, och i 42 av dessa hade ingen varning uppstått alls utan att fylla i de saknade uppgifterna. I genomsnitt dök dessa varningar upp cirka 12 dagar innan personer rapporterade symtom, vilket nästan motsvarar den kända tiden det tar för malariaparasiter att bygga upp sig i blodet. Även vid stora dataluckor tenderade varningarna att uppträda under i genomsnitt 3,5 dagar i följd under infek­tionsfönstret, vilket ökade sannolikheten att vårdpersonal skulle märka och agera.

Att balansera noggrannhet, tydlighet och praktikalitet

Teamet jämförde GAN:en med vanliga metoder för att fylla luckor, från mycket enkla angreppssätt som att föra fram sista värdet till mer avancerade statistiska modeller. I båda sjukdomsgrupperna gav GAN:en i allmänhet de mest precisa rekonstruktionerna och bevarade bättre de naturliga dag–natt‑hjärtfrekvensrytmerna, även när mer än 70 procent av datan saknades. När dessa förbättrade signaler matades in i automatiserade modeller för infektionsdetektion ökade både känslighet (att fånga verkliga fall) och precision (att undvika falsklarm). Samtidigt var GAN:en utformad för att vara lättviktig och snabb, så att den så småningom skulle kunna köras på enkla datorer eller edge‑enheter i miljöer med begränsad el och uppkoppling.

Vad detta kan innebära för vardagsvården

För icke‑specialister är huvudbudskapet att saknade data från bärbara enheter inte bara är brus som ska kastas bort. Med rätt sorts intelligent rekonstruktion kan dessa luckor förvandlas tillbaka till en meningsfull varningssignal. Denna studie visar att en AI‑modell tränad på en sjukdom (COVID‑19) kan hjälpa till att upptäcka en annan (malaria) i en helt annan miljö, och i många fall ge vårdpersonal en veckas eller mer förvarning. Om systemen implementeras säkert och etiskt kan de hjälpa samhällshälsovården att avgöra vem som bör testas, när man ska göra hembesök och hur man prioriterar knappa resurser — och därigenom flytta vården från att reagera på fullt utvecklad sjukdom till att tyst upptäcka infektioner medan det fortfarande finns tid att ingripa.

Citering: 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

Nyckelord: bärbara sensorer, detektion av infektionssjukdomar, malaria, imputering av saknade data, digital hälsa i lågresursmiljöer