ElNotariado.com — Editor Jurídico y Tecnológico de Radio Nodo IA
El sistema fue desarrollado con información anonimizada de cinco millones de personas y busca ampliar las capacidades de la inteligencia artificial aplicada a la salud preventiva y personalizada
Google Research presentó SensorFM, un modelo fundacional de inteligencia artificial para datos de dispositivos wearables que fue preentrenado con más de un billón (one trillion) de minutos de señales fisiológicas obtenidas de cinco millones de participantes que autorizaron el uso de sus datos para investigación en salud y bienestar.
La iniciativa fue dada a conocer por Google Research junto con el trabajo científico “Towards a General Intelligence and Interface for Wearable Health Data”, donde se describen la arquitectura del modelo, el conjunto de datos utilizado y los resultados obtenidos en diferentes tareas de predicción relacionadas con la salud.
Un modelo fundacional para datos fisiológicos
Según Google Research, SensorFM fue diseñado para aprender representaciones generales de la fisiología humana a partir de datos obtenidos por dispositivos como Fitbit y Google Pixel Watch.
El conjunto de entrenamiento incluye información anonimizada recopilada entre septiembre de 2024 y septiembre de 2025, proveniente de usuarios de más de 100 países, los 50 estados de Estados Unidos y más de 20 modelos distintos de dispositivos wearables cuyos participantes prestaron consentimiento para investigación.
El modelo procesa señales provenientes de múltiples sensores, entre ellas:
- frecuencia cardíaca;
- variabilidad de la frecuencia cardíaca;
- saturación de oxígeno;
- temperatura cutánea;
- actividad física;
- movimiento;
- sueño;
- respuesta electrodérmica;
- altitud.
Google explica que el entrenamiento se realizó mediante técnicas de aprendizaje autosupervisado, lo que permite aprovechar grandes volúmenes de datos sin depender de etiquetas clínicas para cada caso.
Aplicaciones en 35 tareas relacionadas con la salud
De acuerdo con los resultados publicados, SensorFM fue evaluado en 35 tareas de predicción, abarcando distintos ámbitos de la salud y el comportamiento humano.
Entre ellos se incluyen:
- salud cardiovascular;
- salud metabólica;
- sueño;
- salud mental;
- hábitos de vida;
- variables demográficas.
Los autores sostienen que el modelo mejora la capacidad de adaptación a nuevos problemas con una menor cantidad de datos etiquetados y permite estimar información faltante cuando existen interrupciones en las señales registradas por los dispositivos.
Hacia asistentes personales de salud
Google Research plantea que SensorFM puede servir como base para futuros Personal Health Agents, sistemas de inteligencia artificial destinados a interpretar información procedente de dispositivos wearables y ofrecer respuestas más contextualizadas.
Como parte del trabajo, los investigadores describen el uso experimental de agentes basados en modelos de lenguaje para diseñar modelos predictivos específicos y evaluaron posteriormente las respuestas generadas mediante una revisión realizada por profesionales clínicos. El artículo presenta estos resultados como una línea de investigación y no como una herramienta de diagnóstico clínico actualmente disponible para pacientes.
Investigación, no producto médico
Google aclara que SensorFM constituye un desarrollo de investigación y que los resultados publicados corresponden a experimentos científicos orientados a demostrar el potencial de los modelos fundacionales aplicados a datos de sensores wearables.
La publicación no anuncia la aprobación regulatoria del sistema ni su incorporación inmediata como dispositivo médico o servicio clínico. Cualquier utilización asistencial requerirá las correspondientes evaluaciones regulatorias y validaciones adicionales.
SensorFM representa una evolución significativa dentro de la denominada IA para salud digital, al trasladar el concepto de modelos fundacionales —hasta ahora ampliamente utilizado en texto e imágenes— al procesamiento de señales fisiológicas obtenidas por dispositivos wearables.
Desde una perspectiva jurídica y regulatoria, este tipo de desarrollos plantea desafíos relevantes en materia de protección de datos personales, consentimiento informado, transparencia algorítmica, validación clínica y responsabilidad sobre las recomendaciones generadas por sistemas de inteligencia artificial.
Asimismo, el trabajo refleja una tendencia creciente hacia modelos capaces de integrar información longitudinal procedente de relojes inteligentes y otros dispositivos de monitoreo continuo, con el objetivo de apoyar estrategias de prevención y medicina personalizada. No obstante, los propios autores presentan SensorFM como una plataforma de investigación, por lo que sus resultados no deben interpretarse como evidencia suficiente para sustituir el criterio clínico ni como una autorización para su uso asistencial generalizado.