SensorFM: Google Research cria modelo fundacional para wearables de saúde treinado com 1 trilhão de minutos de dados

O Google Research acaba de revelar o SensorFM, um modelo fundacional para wearables de saúde treinado com mais de 1 trilhão de minutos de dados de sensores — o equivalente a mais de 2 bilhões de horas — coletados de 5 milhões de participantes em mais de 100 países. É a primeira vez que a abordagem de fundação (foundation model) é aplicada em escala massiva a dados vestíveis de saúde.

O que é o SensorFM e por que ele importa

A maioria dos modelos de saúde vestível é construída para prever um desfecho por vez — frequência cardíaca, qualidade do sono, nível de estresse. O problema: cada endpoint exige anotação manual, os rótulos são caros e a anotação retrospectiva é inviável. O SensorFM resolve isso com pré-treinamento auto-supervisionado: ele aprende representações universais a partir dos dados brutos dos sensores e depois se adapta para 35 tarefas diferentes de predição de saúde sem precisar ser retreinado do zero.

O modelo ingere 34 features agregadas de um minuto, extraídas de cinco sensores: PPG (fotopletismografia), acelerômetro, EDA (atividade eletrodérmica), temperatura da pele e altímetro. Essas features são organizadas em sete categorias, processadas num contexto de 24 horas.

Arquitetura e escala

O backbone é um encoder ViT-1D treinado com masked autoencoder (MAE), usando patch size de [20, 1]. O pré-treinamento usou dados de 5.000.000 de participantes consentidos, amostrados entre setembro de 2024 e setembro de 2025, cobrindo 20+ modelos de Fitbit e Pixel Watch.

O Google Research criou quatro variantes do SensorFM, cada uma com volume proporcional de dados:

Escala realmente importa

A equipe varreu quatro tamanhos de modelo contra quatro volumes de dados. O resultado é claro: escala compra desempenho de forma consistente. O SensorFM-B no corpus de 5M reduz a perda de validação de reconstrução em 31% comparado ao SensorFM-XXS. A perda generativa cai em média 28%. Nas tarefas downstream, ganha ΔAUC = 0,09 em classificação e Δr = 0,21 em regressão.

Na diagonal de co-escalação (modelo maior com mais dados), o ROC AUC médio sobe de 0,664 → 0,681 → 0,710 → 0,752. O Pearson r médio sobe de 0,386 → 0,435 → 0,536 → 0,612. E a tendência ainda não saturou — modelos ainda maiores com mais dados provavelmente renderiam ganhos adicionais.

Um caso de falha é igualmente informativo: o SensorFM-B treinado em apenas 5K sujeitos teve perda de validação de 1,082 — pior que todas as variantes menores no mesmo volume. O pré-treinamento foi interrompido precocemente porque o modelo sofreu overfitting.

Mascaramento adaptativo: lidando com dados do mundo real

Dados de wearables no mundo real têm gaps — o dispositivo está carregando, foi removido do pulso ou entrou em modo de economia. Métodos convencionais ou imputam os dados (injetando viés) ou descartam as janelas (jogando informação fora).

O SensorFM usa Adaptive and Inherited Masking (AIM), uma técnica introduzida por Xu et al. no LSM-2. A máscara aplicada é a união da máscara de missingness herdada (dados reais faltantes) com a máscara artificial (para o MAE). A perda é calculada apenas nos patches artificialmente mascarados que tinham ground truth. Isso permite que o modelo aprenda representações robustas mesmo com dados fragmentados.

Avaliação em 35 tarefas de saúde

A avaliação usou dados separados de 13.985 sujeitos em três estudos prospectivos aprovados por IRB:

• Saúde metabólica, cardíaca e respiratória (N = 1.655)
• Sono (N = 6.377)
• Saúde mental (N = 5.953)

As 35 tarefas cobrem seis domínios: cardiovascular (6), metabólico (8), saúde mental (8), sono (3), demografia (4) e estilo de vida (6). O SensorFM-B venceu 33 das 35 tarefas contra todas as variantes menores.

Por que isso importa agora

O SensorFM representa uma mudança de paradigma na saúde digital. Em vez de construir um modelo para cada condição — o que exige coleta e anotação custosas para cada novo endpoint — um único modelo fundacional pode cobrir dezenas de predições simultaneamente. Isso abre caminho para wearables que detectam precocemente não apenas uma, mas múltiplas condições de saúde, usando o mesmo hardware que milhões de pessoas já carregam no pulso.

Para o mercado brasileiro, onde a penetração de smartwatches cresce rapidamente (especialmente entre as classes A e B), a implicação é clara: os próximos wearables não serão apenas contadores de passos — serão ferramentas de triagem médica contínua, validados em populações globais.