Od biosignala do zdravstvenih uvida: Samsung Research razvija temeljne modele za zdravlje

Umjetna inteligencija sve snažnije mijenja način na koji razumijemo zdravstvene podatke, a osobito velik potencijal pritom imaju biosignali koje svakodnevno prikupljaju nosivi uređaji poput pametnih satova, jer kontinuirano praćenje sna, srčane aktivnosti, tjelesnog kretanja i drugih fizioloških pokazatelja omogućuje stvaranje detaljnije slike o stanju organizma nego što je to moguće na temelju pojedinačnih, povremenih mjerenja.

Napredni modeli umjetne inteligencije pritom ne promatraju pojedinačne podatke kao izolirane vrijednosti, nego u njima nastoje prepoznati složene obrasce, odnose i promjene kroz vrijeme, čime se otvara prostor za zdravstvene uvide koji korisnicima mogu pomoći da bolje razumiju vlastite fiziološke pokazatelje i dugoročno odgovornije upravljaju svojim zdravljem.

Upravo je razvoj takvih tehnologija bio jedna od tema Health Foruma održanog u sklopu događaja Galaxy Unpacked u srpnju 2026., na kojem je Samsung predstavio svoju viziju povezanog zdravstva, odnosno koncepta Connected Care, koji zdravstveno iskustvo promatra kao kontinuirani proces u kojem se tehnologija, podaci, korisnik i zdravstveni ekosustav međusobno povezuju. Takav pristup označava pomak od zdravstvene skrbi koja je tradicionalno usmjerena na reagiranje nakon pojave problema prema modelu koji veću važnost pridaje prevenciji, personalizaciji i pravodobnom prepoznavanju promjena u zdravstvenom stanju, uz istodobno oslanjanje na pouzdane tehnološke inovacije i suradnju s partnerima iz različitih područja zdravstvenog sustava.

Jedan od ključnih tehnoloških temelja takve vizije predstavljaju temeljni zdravstveni modeli, odnosno modeli umjetne inteligencije razvijeni kako bi mogli učiti iz velikih količina zdravstvenih podataka i prepoznavati obrasce koji nisu uvijek vidljivi klasičnim metodama analize. Istraživači Samsung Research America, odnosno SRA, razvijaju upravo takve tehnologije s ciljem stvaranja sustava koji mogu kontinuirano interpretirati zdravstveno stanje pojedinca na temelju biosignala, iz tih podataka izdvajati relevantne zdravstvene uvide te ih koristiti kao temelj za razvoj odgovarajućih zdravstvenih smjernica i novih korisničkih iskustava.

U tom su kontekstu istraživači tvrtke Samsung predstavili dva temeljna modela posebno razvijena za rad s podacima prikupljenima putem nosivih uređaja, xMAE, odnosno Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning, i HiMAE, odnosno Hierarchical Masked Autoencoder. Dok je xMAE usmjeren na razumijevanje vremenskih odnosa između različitih biosignala, HiMAE je razvijen kako bi zdravstvene obrasce mogao prepoznavati na različitim vremenskim skalama unutar vremenskih nizova podataka koje prikupljaju nosivi uređaji. Zajedno, ova dva istraživačka pristupa pokazuju kako se umjetna inteligencija može razvijati prema modelima koji ne analiziraju samo pojedinačne fiziološke vrijednosti, nego pokušavaju razumjeti način na koji se različiti signali međusobno odnose i kako se njihovo značenje mijenja ovisno o vremenskom razdoblju koje se promatra.

Važnost istraživanja dodatno potvrđuje činjenica da je rad stručnjaka tvrtke Samsung na modelu xMAE prihvaćen na Međunarodnoj konferenciji o strojnom učenju, ICML, dok je istraživanje modela HiMAE prihvaćeno na Međunarodnoj konferenciji o učenju prikaza, ICLR, dvjema vodećim međunarodnim znanstvenim konferencijama u području strojnog učenja i umjetne inteligencije. Prihvaćanje istraživanja na takvim konferencijama predstavlja potvrdu znanstvene relevantnosti pristupa koji se razvijaju u Samsungovim istraživačkim timovima te pokazuje da razvoj zdravstvenih modela umjetne inteligencije sve više ulazi u područje naprednih istraživanja fizioloških podataka, reprezentacijskog učenja i računalno učinkovitih modela.

Temeljni zdravstveni modeli kao nova osnova za razumijevanje biosignala

Temeljni zdravstveni model može se opisati kao model umjetne inteligencije koji primjenom samonadziranog učenja iz velikih količina neoznačenih biosignala pokušava naučiti opće i ponovno primjenjive značajke povezane s ljudskom fiziologijom. Za razliku od pristupa kod kojih se model od početka trenira za jedan konkretan zadatak i jednu vrstu označenih podataka, samonadzirano učenje omogućuje modelu da tijekom prethodne obuke samostalno prepoznaje strukturu podataka, odnose među signalima i obrasce koji se ponavljaju, čime se stvara temelj koji se kasnije može prilagoditi različitim zdravstvenim zadacima.

Takav pristup posebno je značajan u području nosivih uređaja jer oni tijekom svakodnevnog korištenja mogu prikupljati velike količine kontinuiranih fizioloških podataka, dok je njihovo ručno označavanje za svaki pojedinačni zdravstveni zadatak složeno, vremenski zahtjevno i ograničeno dostupnošću stručnih podataka. Model koji može učiti iz neoznačenih biosignala zato ima potencijal učinkovitije iskoristiti količinu podataka koju stvaraju nosivi uređaji i iz nje izdvojiti reprezentacije koje se kasnije mogu primijeniti na različite oblike analize.

Nakon prethodne obuke na velikim količinama zdravstvenih podataka, temeljni zdravstveni modeli mogu se koristiti u različitim naknadnim zadacima, uključujući analizu biosignala, razvoj novih ili poboljšanih biomarkera te predviđanje određenih zdravstvenih stanja. Ključna vrijednost takvog pristupa pritom nije samo u povećanju preciznosti pojedinačnog modela, nego u mogućnosti da se jednom naučena reprezentacija fizioloških podataka koristi u širem rasponu zadataka i različitim scenarijima primjene.

xMAE povezuje različite biosignale kako bi kontinuirano razumio rad srca

Jedan od najvažnijih primjera takvog pristupa jest xMAE, model koji je osmišljen kako bi umjetna inteligencija bolje razumjela vremenski odnos između različitih biosignala koji potječu iz iste fiziološke aktivnosti. Posebna pozornost u istraživanju posvećena je elektrokardiogramu, odnosno EKG-u, i fotopletizmografiji, odnosno PPG-u, dvjema tehnologijama koje na različite načine pružaju informacije povezane s radom srca.

EKG na nosivim uređajima izravno mjeri električnu aktivnost srca te predstavlja vrijedan izvor informacija za praćenje broja otkucaja srca i varijabilnosti srčanog ritma, kao i za prepoznavanje određenih abnormalnih srčanih ritmova i potencijalnih rizika povezanih sa stanjima poput atrijske fibrilacije. Njegova je važna prednost visoka preciznost, ali tradicionalno mjerenje EKG-a na nosivom uređaju često zahtijeva aktivno sudjelovanje korisnika, što znači da mjerenje nije nužno kontinuirano.

PPG funkcionira na drugačijem principu jer pomoću optičkih senzora prati promjene u protoku krvi i na temelju njih neizravno prikuplja informacije povezane s radom srca. Budući da se PPG može mjeriti pasivno i kontinuirano putem senzora ugrađenih u nosive uređaje poput pametnih satova, on predstavlja važan izvor podataka za dugotrajno praćenje fizioloških pokazatelja tijekom svakodnevnog života.

Iako EKG i PPG potječu iz iste srčane aktivnosti, njihovi se signali ne pojavljuju istodobno, nego između njih postoji vremenski odnos koji se može usporediti s pojavom munje i zvuka groma, pri čemu se jedan događaj vizualno registrira prije nego što se drugi čujno zabilježi. Upravo je razumijevanje takvih vremenskih odnosa jedno od ključnih područja u kojem xMAE nastoji unaprijediti sposobnost umjetne inteligencije da interpretira biosignale.

xMAE je okvir za prethodnu obuku biosignala koji uči taj odnos tako što rekonstruira maskirane dijelove EKG signala koristeći PPG signal koji se može prikupljati jednostavnije i kontinuiranije. Na taj način model uči povezanost između različitih fizioloških reprezentacija iste srčane aktivnosti, čime se otvara mogućnost da se značajke relevantne za kardiovaskularno zdravlje preciznije analiziraju na temelju kontinuiranije dostupnog PPG-a, bez potrebe za zasebnim ručnim EKG mjerenjem u svakom trenutku.

Za prethodnu obuku modela xMAE istraživači su koristili približno 9.400 sati EKG i PPG podataka, što je omogućilo modelu da uči složene odnose između dvaju izvora biosignala. U provedenim evaluacijama xMAE je nadmašio jednodimenzionalne modele biosignala i postojeće metode višedimenzionalnog učenja u 15 od ukupno 19 zadataka, među kojima su bili predviđanje kardiovaskularnih bolesti, otkrivanje abnormalnih rezultata testova i klasifikacija faza sna.

Posebno je značajno što su istraživači potvrdili potencijal naučenih značajki za primjenu na različitim senzorskim uređajima, različitim dijelovima tijela i u različitim okruženjima prikupljanja podataka. Takva fleksibilnost važna je za budući razvoj nosivih zdravstvenih tehnologija jer omogućuje da se modeli ne vežu nužno uz jednu vrstu uređaja ili jedan specifičan način mjerenja, nego da naučene fiziološke reprezentacije budu primjenjive u širem rasponu stvarnih korisničkih scenarija.

HiMAE donosi razumijevanje zdravstvenih obrazaca kroz različite vremenske skale

Dok se xMAE usredotočuje na odnos između različitih biosignala, HiMAE je razvijen kako bi riješio drugi važan izazov u interpretaciji podataka s nosivih uređaja, a to je činjenica da zdravstveni značaj pojedinog signala ovisi o vremenskoj skali na kojoj ga promatramo.

Kratki vremenski odsječci mogu sadržavati informacije o brzo promjenjivim fiziološkim pojavama, poput pojedinačnih otkucaja srca, dok dulja razdoblja mogu otkriti obrasce koji se razvijaju postupno i postaju vidljivi tek kada se podaci promatraju kroz duži vremenski interval, primjerice obrasce povezane sa spavanjem ili razinom tjelesne aktivnosti. Takvu razliku moguće je usporediti s promatranjem slike pri različitim razinama povećanja, jer približavanje omogućuje uočavanje sitnih detalja, dok udaljavanje daje širi pogled na cjelokupni obrazac.

HiMAE je model samonadziranog učenja koji je osmišljen kako bi naučio reprezentaciju podataka s nosivih uređaja kroz više vremenskih skala. Model pritom koristi više modula za kodiranje koji omogućuju zasebnu analizu kraćih i duljih vremenskih odsječaka, čime se modelu omogućuje da za određeni zdravstveni zadatak izdvoji informacije s vremenske skale koja je za taj zadatak najrelevantnija.

Takav pristup omogućuje da se različiti fiziološki fenomeni promatraju u kontekstu njihova prirodnog vremenskog razvoja, pa se analiza otkucaja srca može temeljiti na kratkotrajnim signalima, dok se predviđanje i razumijevanje sna može oslanjati na obrasce koji se razvijaju kroz znatno dulje razdoblje. Tijekom obuke model rekonstruira maskirane dijelove podataka, čime uči prepoznavati ključne obrasce u biosignalima i u situacijama kada je količina ručno označenih podataka ograničena.

Jedna od važnih karakteristika HiMAE-a jest njegova sposobnost da jedan prethodno trenirani model istodobno podrži različite vrste zadataka, uključujući klasifikaciju, numeričko predviđanje i generiranje podataka. Pritom je model manji od postojećih modela, što ima izravan značaj za primjenu na uređajima s ograničenim računalnim resursima.

Računalna učinkovitost modela dodatno je unaprijeđena do razine na kojoj HiMAE može generirati rezultate za manje od jedne milisekunde na središnjoj procesorskoj jedinici, odnosno CPU-u, klase pametnog sata. Takva izvedba posebno je važna za budućnost zdravstvenih funkcija na nosivim uređajima jer smanjuje potrebu za slanjem sirovih zdravstvenih podataka u udaljeni cloud radi njihove obrade.

HiMAE tako pokazuje potencijal temeljnih zdravstvenih modela koji mogu djelovati izravno na samom uređaju, analizirati sirove zdravstvene signale u stvarnom vremenu i pritom koristiti lokalne računalne resurse. Obrada na uređaju može biti važna za stvaranje neposrednijih korisničkih iskustava, ali i za razvoj arhitektura u kojima se određeni podaci mogu obrađivati lokalno, umjesto da se za svaki pojedinačni uvid moraju neprestano prenositi u udaljenu računalnu infrastrukturu.

Od pojedinačnog mjerenja prema kontinuiranom zdravstvenom razumijevanju

Razvoj modela xMAE i HiMAE pokazuje da se budućnost umjetne inteligencije u zdravstvu ne temelji samo na tome koliko pojedinačni senzor može precizno izmjeriti određenu vrijednost, nego sve više i na tome koliko dobro umjetna inteligencija može razumjeti odnose među različitim signalima, njihovu vremensku dinamiku i širi fiziološki kontekst u kojem se određena promjena pojavljuje.

Nosivi uređaji već danas mogu prikupljati velike količine podataka tijekom svakodnevnog života, ali njihova stvarna vrijednost za digitalno zdravlje ovisi o sposobnosti da se iz tih podataka izdvoje relevantne i razumljive informacije. Temeljni zdravstveni modeli predstavljaju jedan od pristupa kojim se taj proces može unaprijediti jer omogućuju da se iz velikih količina neoznačenih biosignala nauče opće fiziološke reprezentacije koje se potom mogu koristiti u različitim zdravstvenim zadacima.

Upravo u tome leži širi značaj istraživanja modela xMAE i HiMAE. Dok xMAE pokazuje kako povezivanje različitih biosignala može pomoći umjetnoj inteligenciji u razumijevanju fizioloških odnosa, HiMAE pokazuje kako promatranje podataka kroz više vremenskih skala može omogućiti preciznije razumijevanje obrazaca koji se pojavljuju u različitim vremenskim razdobljima. Zajedno, ova istraživanja predstavljaju korak prema modelima koji zdravstvene podatke ne promatraju kao niz izoliranih mjerenja, nego kao kontinuirani zapis fiziološkog stanja pojedinca.

Sljedeći korak prema povezanoj skrbi

xMAE i HiMAE predstavljaju važan korak u razvoju umjetne inteligencije koja je sposobna razumjeti specifične fiziološke odnose i vremenske strukture sadržane u biosignalima s nosivih uređaja. Njihov razvoj pokazuje smjer u kojem se zdravstvena umjetna inteligencija može kretati prema modelima koji iz kontinuiranih podataka stvaraju preciznije i personaliziranije uvide, istodobno se prilagođavajući različitim zdravstvenim zadacima bez potrebe za razvojem potpuno zasebnog modela za svaku pojedinačnu primjenu.

Takav razvoj izravno se uklapa u Samsungovu širu viziju povezanog zdravstva, odnosno koncept Connected Care, kojim kompanija nastoji povezati nosive uređaje, umjetnu inteligenciju, zdravstvene podatke i različite dijelove digitalnog zdravstvenog ekosustava u jedinstveno iskustvo usmjereno na bolje razumijevanje zdravlja. U toj se viziji tehnologija ne promatra samo kao alat za mjerenje pojedinačnih vrijednosti, nego kao infrastruktura koja može kontinuirano prikupljati podatke, prepoznavati njihove međusobne odnose i korisniku pružiti relevantnije uvide u vlastito zdravstveno stanje.

Samsung pritom svoju strategiju razvoja zdravstvenih tehnologija gradi na širokom tehnološkom ekosustavu koji obuhvaća pametne telefone, nosive uređaje, tablete, kućanske uređaje, mrežne sustave, memorijska i napredna poluvodička rješenja, ali i područja poput medicinske dijagnostike, robotike te HVAC tehnologija. Takav raspon tehnologija kompaniji omogućuje da razvoj umjetne inteligencije ne promatra izolirano, nego kao dio šireg povezanog sustava u kojem različiti uređaji i platforme mogu međusobno komunicirati i stvarati nova korisnička iskustva.

Posebnu ulogu u tome ima otvoreni SmartThings ekosustav, kroz koji Samsung povezuje različite uređaje i usluge, dok se umjetna inteligencija sve snažnije integrira u njegov portfelj kako bi se podaci iz svakodnevnog korištenja uređaja mogli pretvoriti u korisnije i personaliziranije digitalne usluge. U području zdravlja taj pristup dobiva dodatnu važnost jer nosivi uređaji mogu kontinuirano prikupljati biosignale, dok napredni modeli umjetne inteligencije poput xMAE-a i HiMAE-a nastoje tim podacima dati dublji fiziološki kontekst.

Upravo takva kombinacija hardvera, softvera, umjetne inteligencije i istraživanja predstavlja jedan od temelja Samsungova pristupa budućnosti digitalnog zdravlja. Cilj pritom nije samo povećati količinu dostupnih zdravstvenih podataka, nego razviti tehnologije koje mogu razumjeti njihovu strukturu, povezati različite fiziološke signale i iz dugoročnih obrazaca izdvojiti informacije koje korisniku mogu pomoći da bolje razumije vlastito zdravlje.

Širi razvoj Samsunga pokazuje koliko se granice između potrošačke tehnologije, umjetne inteligencije i zdravstvenih inovacija ubrzano mijenjaju. Kompanija, koja kroz svoj portfelj razvija tehnologije od pametnih telefona, televizora i nosivih uređaja do memorije, LSI sustava i proizvodnje naprednih čipova, istodobno ulaže u područja medicinske dijagnostike, robotike i drugih tehnologija koje mogu imati izravan utjecaj na buduće načine korištenja digitalnih uređaja. Kroz tvrtku Harman Samsung razvija i tehnologije za automobilsku industriju te napredna audio rješenja, čime dodatno proširuje ekosustav u kojem umjetna inteligencija postaje sve važniji element svakodnevnog korisničkog iskustva.

U tom širem kontekstu razvoj modela xMAE i HiMAE predstavlja više od unapređenja pojedinačnih algoritama. Riječ je o istraživanju koje pokazuje kako se umjetna inteligencija može približiti kontinuiranom razumijevanju ljudske fiziologije, od vrlo kratkih promjena u srčanoj aktivnosti do obrazaca koji se razvijaju tijekom sna, odmora i tjelesne aktivnosti. Takav pristup otvara prostor za buduće zdravstvene tehnologije koje neće biti usmjerene samo na prikazivanje izmjerenih vrijednosti, nego na razumijevanje njihova međusobnog odnosa i promjena kroz vrijeme.

Budućnost digitalnog zdravlja zato se sve više pomiče prema modelu u kojem tehnologija ne reagira samo kada korisnik aktivno zatraži mjerenje, nego kontinuirano prati relevantne fiziološke pokazatelje i pomaže u prepoznavanju obrazaca koji bi inače mogli ostati nezamijećeni. Upravo u tom prijelazu, od pojedinačnog mjerenja prema kontinuiranom zdravstvenom razumijevanju, temeljni modeli poput xMAE-a i HiMAE-a mogu imati važnu ulogu.

Samsungov cilj pritom je razvijati povezano, inteligentno i besprijekorno korisničko iskustvo u kojem se napredak umjetne inteligencije, razvoj nosivih tehnologija i znanstvena istraživanja međusobno nadopunjuju. Istraživanja provedena u Samsung Research America pokazuju kako bi takav pristup u budućnosti mogao omogućiti preciznije, kontinuiranije i personaliziranije zdravstvene uvide, čime se stvaraju temelji za novu generaciju digitalnih zdravstvenih iskustava i daljnji razvoj koncepta Connected Care.