Els rellotges i polseres intel·ligents generen contínuament dades de son, freqüència cardíaca i activitat física de milions de persones, un volum d'informació que en teoria podria amagar senyals precoços de problemes de salut mental o metabòlics. Trobar-hi un biomarcador útil de debò, però, és una feina lenta: exigeix formular hipòtesis raonables, revisar la bibliografia científica existent i validar estadísticament cada patró abans de poder-hi confiar, una tasca que els equips humans no poden escalar fàcilment a milers de variables possibles.
Un equip de Google Research —encapçalat per la investigadora Yubin Kim juntament amb Hamid Palangi i Daniel McDuff, amb col·laboració de Google DeepMind i socis acadèmics— va publicar el 21 d'agost un sistema multiagent pensat per automatitzar bona part d'aquest procés. L'eina treballa en sis fases —perfilat de dades amb prevenció de fuites estadístiques, generació d'hipòtesis basada en bibliografia, anàlisi estadística i d'aprenentatge automàtic iterativa, validació adversarial amb una bateria d'onze proves, avaluació mecanística i redacció d'un informe final amb supervisió humana— repartides entre quatre agents especialitzats («Scout», «Critic», «Defender» i «Mechanism») que comparteixen una memòria comuna per mantenir la traçabilitat de cada pas. Provat sobre tres cohorts diferents, amb un total de 9.279 registres de participants, el sistema va identificar 41 candidats a biomarcador de salut mental i 25 de metabòlics; entre les troballes hi ha una correlació entre la variabilitat de la durada del son i la gravetat de la depressió (ρ=0,252), i models que, en combinar-se amb dades demogràfiques, milloren la capacitat predictiva tant per a la depressió (ΔR²=0,040) com per a la resistència a la insulina (ΔR²=0,021). En una avaluació feta per experts humans, el sistema va obtenir les puntuacions més altes de tots els mètodes comparats i va ser l'únic que va rebre valoracions d'«acceptar» o «revisió menor».
El resultat és rellevant perquè automatitza una de les parts més costoses de la recerca biomèdica actual —generar i validar hipòtesis a partir de dades de sensors passius— sense prescindir de la supervisió humana en cap fase, cosa que podria permetre explorar sistemàticament un volum de senyals que cap equip de recerca podria revisar un per un amb els mètodes tradicionals.
Els mateixos autors adverteixen que les mides de l'efecte trobades són modestes, típiques d'aquest tipus d'anàlisi passiva amb sensors portables, i que els resultats són generadors d'hipòtesis, no proves causals: cap de les correlacions detectades demostra que un patró de son o d'activitat causi un problema de salut concret. La convergència de patrons semblants entre les tres cohorts és, en paraules del mateix equip, «suggeridora» més que una rèplica directa i confirmada, de manera que caldran estudis específics posteriors per validar cadascun dels 66 candidats abans de considerar-los biomarcadors clínicament útils.