La IA se está utilizando ampliamente para analizar bioseñales medidas por dispositivos vestibles (wearables), como los smartwatches. Al identificar patrones significativos en los datos de salud —incluidos el sueño, la frecuencia cardíaca y la actividad física—, la IA ayuda a los usuarios a comprender y gestionar mejor su salud.
El Foro de Salud realizado en el Galaxy Unpacked de julio de 2026 también compartió la visión de Cuidado Conectado (Connected Care) de Samsung para el próximo capítulo de la salud digital: un futuro en el que la atención pasa del tratamiento reactivo a experiencias preventivas, personalizadas y conectadas, respaldadas por innovación en salud confiable y alianzas en todo el ecosistema de la salud. Una de las tecnologías que está ayudando a impulsar estas nuevas experiencias para el consumidor es el modelo fundacional de salud (health foundation model).
Investigadores del Equipo de Salud Digital de Samsung Research America (SRA) están desarrollando nuevas tecnologías de IA para comprender de manera continua el estado de salud de una persona a partir de bioseñales, generar insights de salud y ofrecer una orientación adecuada.
Investigadores de Samsung presentaron recientemente dos modelos fundacionales basados en datos de dispositivos vestibles: xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning), que aprende la relación temporal entre diferentes bioseñales, e HiMAE (Hierarchical Masked Autoencoder), que comprende patrones de salud en diferentes escalas de tiempo en datos de series temporales de dispositivos vestibles. Ambos estudios demuestran el avance de los modelos de IA de salud que pueden comprender mejor las relaciones fisiológicas y la estructura temporal de las bioseñales.
El trabajo de Samsung en los modelos xMAE e HiMAE fue aceptado en la Conferencia Internacional sobre Aprendizaje Automático (ICML) y en la Conferencia Internacional sobre Representaciones de Aprendizaje (ICLR), respectivamente, lo que resalta la trascendencia de esta investigación.
Modelos fundacionales de salud que leen las señales del cuerpo: por qué son importantes para la salud
Un modelo fundacional de salud es un modelo de IA que utiliza el aprendizaje autosupervisado para aprender características significativas a partir de datos de bioseñales no etiquetados. Después de preentrenarse con datos de salud a gran escala, los modelos se pueden aplicar para realizar una amplia gama de tareas de salud secundarias, incluida la lectura de bioseñales, el desarrollo de biomarcadores nuevos o mejorados y la predicción de problemas de salud.
Modelo de IA xMAE: Insights cardíacos continuos desde Wearables
El electrocardiograma (ECG) en dispositivos vestibles mide directamente la actividad eléctrica del corazón y es útil para medir la frecuencia cardíaca y la variabilidad de la frecuencia cardíaca, identificar ritmos cardíacos anormales y evaluar riesgos de padecimientos como la fibrilación auricular. El ECG es altamente preciso, pero por lo general requiere que los usuarios hagan una pausa y realicen una medición activa. Por otro lado, la fotopletismografía (PPG) puede medir de forma indirecta la función cardíaca al detectar cambios en el flujo sanguíneo y se puede medir de manera pasiva y continua a través de sensores en dispositivos vestibles, como los smartwatches.
Las dos señales se originan en la misma actividad cardíaca, pero aparecen con cierta diferencia de tiempo, de forma similar a como se escucha el trueno después de ver el relámpago. El xMAE es un marco de preentrenamiento de bioseñales diseñado para aprender la relación temporal entre las dos señales mediante la reconstrucción de partes enmascaradas de la señal de ECG utilizando la señal de PPG, que se mide de manera más fácil y continua. Como resultado, las características relacionadas con la salud cardiovascular se pueden analizar con mayor precisión utilizando PPG sin necesidad de realizar mediciones manuales independientes de ECG.
Los investigadores preentrenaron el xMAE utilizando aproximadamente 9,400 horas de datos de ECG y PPG. El modelo superó a los modelos de bioseñales unimodales y a los métodos de aprendizaje multimodal existentes en 15 de 19 tareas de evaluación, incluida la predicción de enfermedades cardiovasculares, la detección de resultados anormales de pruebas y la clasificación de las etapas del sueño. El estudio también confirmó el potencial de utilizar las características aprendidas en diferentes dispositivos con sensores, zonas del cuerpo y entornos de recopilación de datos.
Modelo de IA HiMAE: Lectura del cuerpo en cada escala de tiempo en el dispositivo
Los datos de salud medidos en dispositivos vestibles pueden revelar información diferente según la escala de tiempo en la que se analicen. Por ejemplo, los segmentos de tiempo cortos pueden revelar señales que cambian rápidamente, como los latidos del corazón, mientras que los segmentos de tiempo más largos pueden revelar patrones que se acumulan con el tiempo, como el sueño o la actividad física. Esto es similar a examinar diferente información al acercar o alejar el zoom de una imagen.
El HiMAE es un modelo de aprendizaje autosupervisado que aprende la representación a partir de datos de dispositivos vestibles en múltiples escalas de tiempo. Utiliza múltiples codificadores para analizar segmentos cortos y largos por separado, lo que permite al modelo identificar la información requerida para cada tarea de salud, como el análisis de la frecuencia cardíaca o la predicción del sueño, en la escala de tiempo adecuada. Durante el entrenamiento, el modelo reconstruye partes enmascaradas de los datos. Esto le permite aprender patrones clave en las bioseñales incluso cuando los datos etiquetados son limitados.
Un solo modelo HiMAE preentrenado maneja la clasificación, la predicción numérica y la generación de datos. El modelo alcanzó un alto rendimiento siendo más pequeño que los modelos existentes. También mejoró la eficiencia computacional al punto de poder generar resultados en menos de un milisegundo en una unidad central de procesamiento (CPU) de categoría de smartwatch. Lo más importante es que HiMAE demuestra por primera vez el potencial de los modelos fundacionales de salud en el dispositivo: analizando señales de salud brutas en tiempo real, sin depender de servidores en la nube.
El siguiente paso hacia el Cuidado Conectado
Juntos, xMAE e HiMAE representan un avance en los modelos de IA que comprenden con precisión las relaciones fisiológicas y las estructuras temporales únicas de las bioseñales. Ambos modelos buscan brindar insights de salud precisos, continuos y personalizados, así como generalizarse a través de múltiples tareas de salud a partir de un único modelo preentrenado. Conoce más detalles de la mano de los investigadores detrás de este trabajo a continuación.
