Google Research lançou o SensorFM — modelo para 35 tarefas de previsão de saúde

No dia 10 de julho de 2026, Google Research apresentou SensorFM — um modelo de fundação para prever resultados de saúde a partir de dados de dispositivos wearable. Foi treinado em 1 trilhão de minutos (mais de 2 bilhões de horas) de dados de sensores de 5 milhões de voluntários e se transfere para 35 tarefas de previsão médica.

O que é SensorFM

SensorFM (Large Sensor Foundation Model) — um transformador de fundação especializado para análise de séries temporais de dispositivos wearable. Processa 34 características agregadas por minuto de cinco sensores: PPG (frequência cardíaca), acelerômetro, atividade eletrodérmica, temperatura da pele e altímetro. As características são organizadas em sete categorias com uma janela de contexto de 24 horas.

No núcleo está um codificador ViT-1D (Vision Transformer unidimensional) treinado com métodos de autoencoder mascarado. O modelo vem em quatro variantes de escala, de XXS (138K parâmetros) até B (110M parâmetros).

• Arquitetura: ViT-1D com autoencoder mascarado
• Dados de entrada: 34 características 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 resultados de saúde

Sobre quais dados foi treinado

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

A avaliação usou dados separados de 13.985 sujeitos de três estudos prospectivos aprovados por comitê de ética. Eles cobrem três domínios: metabolismo, cardiovascular e respiratório.

Por que é importante

Modelos tradicionais de saúde são construídos um resultado por vez. Com 35 pontos finais, essa abordagem se torna ineficiente: rotulagem é cara, anotação retrospectiva é inviável. SensorFM usa o paradigma de modelo de fundação: treinamento em grandes dados brutos não rotulados, depois transferência para 35 tarefas específicas. Isso economiza custos de rotulagem e melhora a generalização.

Dispositivos wearable (Fitbit, Apple Watch, Pixel Watch) são uma fonte poderosa de dados de saúde do mundo real. Modelos de laboratório raramente funcionam em dispositivos comerciais. SensorFM foi treinado neles diretamente — crítico para implementação clínica.

O que significa

Modelos de fundação demonstram que a escala de dados é um fator de qualidade e universalidade. SensorFM é o primeiro transformador de fundação sério para sensores de saúde wearable: um bloco de construção que startups de telemedicina, empresas farmacêuticas e clínicas podem construir. Um trilhão de minutos é um benchmark quase inalcançável que os concorrentes dificilmente conseguirão igualar sem acesso a ecossistemas de dados comparáveis.