Google Research lança o SensorFM, modelo para 35 tarefas de previsão de saúde

Em 10 de julho de 2026, o Google Research apresentou o SensorFM, um modelo de fundação que prevê desfechos de saúde a partir de dados de dispositivos vestíveis. Ele foi treinado com 1 trilhão de minutos (mais de 2 bilhões de horas) de dados de sensores de 5 milhões de voluntários e se adapta a 35 tarefas de previsão médica.

O que é o SensorFM

O SensorFM (Large Sensor Foundation Model) é um transformer de fundação especializado na análise de séries temporais de vestíveis. Ele processa 34 variáveis agregadas por minuto, vindas de cinco sensores: PPG (ritmo cardíaco), acelerômetro, atividade eletrodérmica, temperatura da pele e altímetro. As variáveis são organizadas em sete categorias, com janela de contexto de 24 horas.

A base é um codificador ViT-1D (Vision Transformer unidimensional) treinado pelo método de autoencoder mascarado. O modelo é oferecido em quatro tamanhos, do XXS (138K parâmetros) ao B (110M parâmetros).

• Arquitetura: ViT-1D com autoencoder mascarado
• Dados de entrada: 34 variáveis de 5 sensores (PPG, acelerômetro, EDA, temperatura, altímetro)
• Janela de contexto: 24 horas
• Quatro variantes: XXS, XS, S, B (de 138K a 110M parâmetros)
• Tarefas-alvo: previsão de 35 desfechos de saúde

Com quais dados foi treinado

O treinamento usou dados de 5 milhões de voluntários, coletados entre setembro de 2024 e setembro de 2025. O conjunto abrange mais de 100 países, todos os 50 estados dos EUA e mais de 20 modelos de Fitbit e Pixel Watch. O volume total passa de 2 bilhões de horas, ou seja, mais de 1 trilhão de minutos.

Para a avaliação, foram usados dados separados de 13.985 participantes de três estudos prospectivos aprovados por comitê de ética. Eles cobrem três áreas: metabolismo, sistema cardiovascular e respiração.

Por que isso importa

Os modelos de saúde tradicionais são construídos para um desfecho de cada vez. Com 35 desfechos, essa abordagem se torna ineficiente: a rotulagem é cara e a anotação retrospectiva é irreal. O SensorFM usa o paradigma de modelo de fundação: treina com grandes volumes de dados brutos sem rótulos e depois transfere o aprendizado para 35 tarefas específicas. Isso reduz o custo de rotulagem e melhora a generalização.

Os vestíveis (Fitbit, Apple Watch, Pixel Watch) são uma fonte poderosa de dados médicos do mundo real. Modelos de laboratório raramente funcionam em dispositivos comerciais. O SensorFM foi treinado justamente neles, o que é crítico para a adoção clínica.

O que isso significa

Os modelos de fundação mostram que a escala dos dados define qualidade e versatilidade. O SensorFM é o primeiro transformer de fundação sério para sensores de saúde vestíveis: um tijolo sobre o qual podem construir startups de telemedicina, farmacêuticas e clínicas. Um trilhão de minutos é uma referência quase inalcançável, e é improvável que concorrentes a superem sem acesso a ecossistemas de dados comparáveis.