Principais destaques
- O Google Research revelou o SensorFM, um modelo de inteligência artificial treinado com mais de um trilhão de minutos de dados coletados por dispositivos vestíveis de aproximadamente cinco milhões de pessoas.
- O modelo consegue interpretar diferentes aspectos da saúde utilizando uma única arquitetura, abrangendo áreas como sono, saúde cardiovascular, metabolismo, saúde mental e hábitos de vida.
- Em avaliações clínicas independentes, o SensorFM superou métodos tradicionais em 34 das 35 tarefas analisadas, demonstrando potencial para servir de base a futuros agentes pessoais de saúde movidos por IA.
O Google Research anunciou oficialmente o SensorFM, um novo modelo de inteligência artificial desenvolvido para compreender dados gerados por dispositivos vestíveis em uma escala inédita.
A tecnologia representa um dos maiores projetos já realizados envolvendo informações fisiológicas captadas continuamente por smartwatches e pulseiras inteligentes e pode marcar uma nova etapa na utilização da IA para monitoramento preventivo da saúde.
Enquanto a maior parte das soluções disponíveis atualmente é criada para resolver apenas um problema específico, o SensorFM foi concebido como um modelo de fundação.
Em vez de aprender somente uma tarefa, ele constrói uma compreensão ampla sobre o funcionamento do organismo humano, permitindo que o mesmo sistema seja adaptado para diversas aplicações médicas e de bem-estar.
Segundo o Google, o treinamento utilizou mais de um trilhão de minutos de registros provenientes de cerca de cinco milhões de usuários distribuídos em mais de 100 países.
Os dados foram coletados por dispositivos como Fitbit e Pixel Watch, formando um conjunto extremamente diverso de informações relacionadas ao comportamento fisiológico das pessoas ao longo do dia e da noite.
A empresa acredita que essa escala de treinamento aproxima a inteligência artificial da criação de sistemas capazes de acompanhar continuamente o estado de saúde dos usuários, identificando mudanças sutis antes mesmo que elas se transformem em sintomas perceptíveis.
Como o SensorFM aprende a interpretar sinais do corpo humano
O grande diferencial do SensorFM está na forma como ele foi treinado. Em vez de depender de grandes volumes de dados previamente rotulados para cada doença ou condição clínica, o modelo aprende padrões gerais do funcionamento do corpo humano e transforma essas informações em representações matemáticas reutilizáveis, conhecidas como embeddings.
Essas representações podem posteriormente ser utilizadas em inúmeras tarefas diferentes, reduzindo a necessidade de desenvolver um novo modelo de inteligência artificial para cada aplicação.
Durante o treinamento, o sistema processou 34 características agregadas minuto a minuto provenientes de cinco modalidades distintas de sensores presentes nos wearables.
Entre elas estão frequência cardíaca, saturação de oxigênio no sangue, temperatura da pele, movimento corporal e outros indicadores fisiológicos que refletem alterações naturais do organismo.
Ao combinar esses sinais ao longo do tempo, a IA consegue construir uma visão muito mais completa sobre o estado físico e comportamental do usuário. Isso permite que o modelo seja aplicado simultaneamente em áreas como saúde cardiovascular, metabolismo, qualidade do sono, condicionamento físico, hábitos de vida e até aspectos relacionados à saúde mental.
Segundo os pesquisadores, essa abordagem aproxima a inteligência artificial da compreensão integrada do organismo humano, em vez de analisar cada variável de forma isolada.
Outro ponto importante é a diversidade do conjunto de treinamento. Como os dados foram coletados em dezenas de países e em diferentes perfis populacionais, o modelo teve contato com uma ampla variedade de rotinas, idades, condições climáticas, padrões de atividade física e estilos de vida. Essa diversidade tende a tornar a IA mais robusta quando aplicada em diferentes populações.
Resultados impressionam em testes clínicos independentes
Para avaliar se o SensorFM realmente aprendia representações úteis da fisiologia humana, o Google submeteu o modelo a uma bateria de testes envolvendo três estudos clínicos independentes, reunindo quase 14 mil participantes.
No total, foram realizadas 35 tarefas distintas de previsão relacionadas à saúde. Mesmo utilizando apenas uma camada linear simples sobre os embeddings produzidos pelo SensorFM, os pesquisadores observaram desempenho superior aos métodos supervisionados tradicionais em 34 dessas tarefas.
Na prática, isso significa que o modelo conseguiu extrair informações mais relevantes dos sensores do que abordagens desenvolvidas manualmente por especialistas ao longo dos últimos anos.
Os resultados chamaram especialmente a atenção nas tarefas relacionadas à saúde mental. Condições como ansiedade e depressão costumam produzir alterações muito discretas em variáveis fisiológicas, tornando sua identificação bastante complexa.
Mesmo assim, o SensorFM conseguiu detectar padrões consistentes associados a essas condições, indicando que modelos de fundação podem captar relações extremamente sutis entre diferentes sinais biológicos.
Os pesquisadores destacam que a proposta não é substituir avaliações médicas, mas fornecer ferramentas capazes de auxiliar profissionais de saúde e oferecer um monitoramento contínuo que dificilmente seria possível apenas por consultas presenciais.
Essa capacidade também pode abrir espaço para sistemas que alertem os usuários quando mudanças fisiológicas persistentes indicarem a necessidade de procurar atendimento médico.
Escala de dados continua impulsionando o desempenho da IA
Outro aspecto que chamou atenção na pesquisa foi o comportamento do modelo conforme aumentavam tanto o volume de dados quanto sua capacidade computacional.
Em muitos projetos de inteligência artificial, chega um momento em que ampliar o tamanho do modelo deixa de produzir ganhos relevantes. No caso do SensorFM, porém, os pesquisadores afirmam que esse limite ainda não apareceu.
A equipe liderada pelo Cientista Pesquisador Sênior Xin Liu e pelo Cientista Pesquisador Daniel McDuff observou que o desempenho continuou evoluindo de forma praticamente linear à medida que mais dados eram utilizados durante o treinamento.
A maior versão desenvolvida, chamada SensorFM-B, utilizou todo o conjunto de informações provenientes dos cinco milhões de participantes.
Comparada à menor variante do modelo, ela apresentou uma redução de 31% na perda de reconstrução durante o treinamento e uma melhoria média de 9% nas tarefas posteriores de classificação.
Esses resultados reforçam uma tendência observada em outros modelos de fundação: quanto maior a diversidade de dados e maior a capacidade do modelo, melhores tendem a ser as representações aprendidas.
Para acelerar a adaptação do SensorFM a diferentes aplicações, o Google também desenvolveu uma infraestrutura baseada em agentes de inteligência artificial. Esses agentes colaboram automaticamente na criação, teste e refinamento de cabeças de predição específicas para cada tarefa.
Ao longo dos experimentos, esse ambiente explorou mais de 30 mil soluções candidatas, automatizando um processo que normalmente exigiria semanas ou meses de trabalho manual por parte de pesquisadores.
SensorFM pode servir como base para futuros agentes pessoais de saúde
Além das avaliações tradicionais, o Google também investigou como o SensorFM pode ser utilizado em uma aplicação muito mais ambiciosa: servir como cérebro de um futuro Agente de Saúde Pessoal baseado em inteligência artificial.
Nesse experimento, o modelo gerou resumos sobre o estado de saúde dos participantes utilizando apenas os dados provenientes dos sensores vestíveis.
Esses relatórios foram avaliados por profissionais da área médica e comparados com análises produzidas a partir de medições clínicas reais.
Segundo os pesquisadores, os especialistas classificaram os resumos produzidos pela IA como equivalentes aos baseados nas avaliações clínicas em todas as cinco dimensões analisadas. Estatisticamente, não foi observada diferença significativa entre as previsões do SensorFM e os dados considerados como referência.
Embora isso não signifique que a tecnologia esteja pronta para substituir exames médicos ou diagnósticos realizados por profissionais, o estudo demonstra o enorme potencial dos modelos de fundação para atuar como sistemas de apoio à decisão clínica.
No futuro, tecnologias desse tipo poderão acompanhar continuamente alterações fisiológicas, identificar riscos precocemente, gerar recomendações personalizadas e fornecer informações valiosas tanto para médicos quanto para pacientes.
O artigo científico que descreve toda a pesquisa, intitulado Towards a General Intelligence and Interface for Wearable Health Data, foi publicado inicialmente no arXiv em maio de 2026 e anunciado oficialmente pelo Google Research em julho.
Com o SensorFM, o Google amplia sua estratégia de desenvolver modelos de fundação especializados para diferentes áreas do conhecimento.
Depois dos avanços em linguagem, imagens, vídeo e robótica, a empresa agora demonstra que a inteligência artificial também pode evoluir rapidamente na interpretação de dados biométricos, aproximando o setor de saúde de uma nova geração de assistentes inteligentes capazes de oferecer monitoramento contínuo, contextualizado e altamente personalizado.
