Google Research lanza SensorFM, un modelo para 35 tareas de predicción de salud

El 10 de julio de 2026, Google Research presentó SensorFM, un modelo fundacional que predice resultados de salud a partir de datos de dispositivos vestibles. Se entrenó con 1 billón de minutos (más de 2000 millones de horas) de datos de sensores de 5 millones de voluntarios y se adapta a 35 tareas de pronóstico médico.

Qué es SensorFM

SensorFM (Large Sensor Foundation Model) es un transformador fundacional especializado en el análisis de series temporales de dispositivos vestibles. Procesa 34 variables agregadas por minuto procedentes de cinco sensores: PPG (ritmo cardíaco), acelerómetro, actividad electrodérmica, temperatura de la piel y altímetro. Las variables se organizan en siete categorías con una ventana de contexto de 24 horas.

Se basa en un codificador ViT-1D (Vision Transformer unidimensional) entrenado con el método de autoencoder enmascarado. El modelo se ofrece en cuatro tamaños, desde XXS (138K parámetros) hasta B (110M parámetros).

• Arquitectura: ViT-1D con autoencoder enmascarado
• Datos de entrada: 34 variables de 5 sensores (PPG, acelerómetro, EDA, temperatura, altímetro)
• Ventana de contexto: 24 horas
• Cuatro variantes: XXS, XS, S, B (de 138K a 110M parámetros)
• Tareas objetivo: predicción de 35 resultados de salud

Con qué datos se entrenó

El entrenamiento usó datos de 5 millones de voluntarios, recogidos entre septiembre de 2024 y septiembre de 2025. El conjunto abarca más de 100 países, los 50 estados de EE. UU. y más de 20 modelos de Fitbit y Pixel Watch. El volumen total supera los 2000 millones de horas, es decir, más de 1 billón de minutos.

Para la evaluación se emplearon datos independientes de 13 985 sujetos de tres estudios prospectivos aprobados por un comité de ética. Cubren tres áreas: metabolismo, sistema cardiovascular y respiración.

Por qué importa

Los modelos de salud tradicionales se construyen para un solo resultado cada vez. Con 35 variables objetivo, ese enfoque resulta ineficiente: el etiquetado es caro y la anotación retrospectiva es inviable. SensorFM aplica el paradigma de los modelos fundacionales: se entrena con grandes volúmenes de datos en bruto sin etiquetar y luego se transfiere a 35 tareas concretas. Así reduce el coste del etiquetado y mejora la generalización.

Los dispositivos vestibles (Fitbit, Apple Watch, Pixel Watch) son una potente fuente de datos médicos del mundo real. Los modelos de laboratorio rara vez funcionan en dispositivos comerciales. SensorFM se entrenó precisamente con ellos, algo clave para su adopción clínica.

Qué significa

Los modelos fundacionales demuestran que la escala de los datos determina la calidad y la versatilidad. SensorFM es el primer transformador fundacional serio para sensores de salud vestibles: un ladrillo sobre el que pueden construir startups de telemedicina, farmacéuticas y clínicas. Un billón de minutos es una vara casi inalcanzable, y es poco probable que los competidores la superen sin acceso a ecosistemas de datos comparables.