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

El 10 de julio de 2026, Google Research presentó SensorFM — un modelo de fundación para predecir resultados de salud a partir de datos de dispositivos wearable. Fue entrenado en 1 billón de minutos (más de 2 mil millones de horas) de datos de sensores de 5 millones de voluntarios y se transfiere a 35 tareas de predicción médica.

Qué es SensorFM

SensorFM (Large Sensor Foundation Model) — un transformador de fundación especializado para análisis de series temporales de dispositivos wearable. Procesa 34 características agregadas por minuto de cinco sensores: PPG (frecuencia cardíaca), acelerómetro, actividad electrodérmica, temperatura de la piel y altímetro. Las características se organizan en siete categorías con una ventana de contexto de 24 horas.

En el núcleo hay un codificador ViT-1D (Vision Transformer unidimensional) entrenado con métodos de autoencoder enmascarado. El modelo viene en cuatro variantes de escala, de XXS (138K parámetros) hasta B (110M parámetros).

• Arquitectura: ViT-1D con autoencoder enmascarado
• Datos de entrada: 34 características 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

Sobre qué datos fue entrenada

El entrenamiento utilizó datos de 5 millones de voluntarios recopilados entre septiembre de 2024 y septiembre de 2025. El conjunto de datos abarca 100+ países, los 50 estados de EE.UU. y más de 20 modelos de Fitbit y Pixel Watch. Volumen total superior a 2 mil millones de horas — más de 1 billón de minutos.

La evaluación utilizó datos separados de 13.985 sujetos de tres estudios prospectivos aprobados por comités de ética. Cubren tres dominios: metabolismo, cardiovascular y respiratorio.

Por qué es importante

Los modelos tradicionales de salud se construyen un resultado a la vez. Con 35 puntos finales, este enfoque se vuelve ineficiente: el etiquetado es costoso, la anotación retrospectiva es inviable. SensorFM utiliza el paradigma de modelo de fundación: entrenamiento en grandes datos sin etiquetar, luego transferencia a 35 tareas específicas. Esto ahorra costos de etiquetado y mejora la generalización.

Los dispositivos wearable (Fitbit, Apple Watch, Pixel Watch) son una fuente poderosa de datos de salud del mundo real. Los modelos de laboratorio rara vez funcionan en dispositivos comerciales. SensorFM fue entrenado en ellos directamente — crítico para la implementación clínica.

Qué significa

Los modelos de fundación demuestran que la escala de datos es un factor de calidad y universalidad. SensorFM es el primer transformador de fundación serio para sensores de salud wearable: un bloque de construcción sobre el que pueden construir startups de telemedicina, empresas farmacéuticas y clínicas. Un billón de minutos es un punto de referencia casi inalcanzable que los competidores difícilmente podrán igualar sin acceso a ecosistemas de datos comparables.