In questo articolo Indice dei contenuti 3 sezioni
Durante l’Health Forum tenutosi in occasione di Galaxy Unpacked luglio 2026, Samsung ha illustrato la propria visione di Connected Care: un ecosistema sanitario che si sposta da un approccio reattivo a uno preventivo, personalizzato e connesso. Alla base di questa visione ci sono i modelli fondazionali per la salute, sistemi AI sviluppati dal Digital Health Team di Samsung Research America (SRA) per comprendere in modo continuo lo stato di salute delle persone a partire dai biosignali raccolti dai dispositivi indossabili.
Samsung ha recentemente presentato due modelli distinti, xMAE e HiMAE, entrambi accettati rispettivamente all’International Conference on Machine Learning (ICML) e all’International Conference on Learning Representations (ICLR), le due conferenze più autorevoli nel campo del machine learning a livello mondiale, a conferma della rilevanza scientifica della ricerca.
Cosa sono i modelli fondazionali per la salute
Un modello fondazionale per la salute è un sistema AI che utilizza l’apprendimento auto-supervisionato per estrarre caratteristiche significative da dati di biosignali non etichettati. Dopo una fase di preaddestramento su dataset sanitari su larga scala, il modello può essere applicato a un’ampia gamma di attività: analisi dei biosignali, sviluppo di nuovi biomarcatori e previsione di possibili problematiche di salute.
xMAE: ricostruire l’ECG a partire dal segnale PPG
L’elettrocardiogramma (ECG) disponibile sui wearable misura direttamente l’attività elettrica del cuore ed è utile per rilevare frequenza cardiaca, variabilità, ritmi anomali e rischio di fibrillazione atriale, ma richiede generalmente che l’utente interrompa l’attività per una misurazione dedicata. La fotopletismografia (PPG), al contrario, misura indirettamente la funzione cardiaca rilevando le variazioni del flusso sanguigno e può essere monitorata passivamente e continuamente.
I due segnali derivano dalla stessa attività cardiaca ma si manifestano con un ritardo temporale, come il tuono percepito dopo il lampo. xMAE è un framework di preaddestramento progettato per apprendere questa relazione temporale, ricostruendo le porzioni mascherate del segnale ECG a partire dal segnale PPG. I ricercatori hanno preaddestrato xMAE utilizzando circa 9.400 ore di dati ECG e PPG. Il modello ha superato le prestazioni dei modelli basati su singolo biosignale e delle metodologie multimodali esistenti in 15 delle 19 attività di valutazione, tra cui previsione di malattie cardiovascolari, rilevamento di risultati clinici anomali e classificazione delle fasi del sonno, dimostrando inoltre di generalizzare bene su dispositivi, aree del corpo e contesti di raccolta dati diversi.
HiMAE: analisi multi-scala eseguita direttamente sullo smartwatch
I dati raccolti dai wearable forniscono informazioni diverse a seconda della scala temporale osservata: segmenti brevi rivelano fenomeni rapidi come il battito cardiaco, finestre più lunghe evidenziano pattern come il sonno o l’attività fisica nel tempo. HiMAE è un modello di apprendimento auto-supervisionato che utilizza encoder distinti per analizzare separatamente segmenti brevi e lunghi, individuando le informazioni rilevanti alla scala temporale più appropriata per ciascun compito.
Il dato più significativo è l’efficienza: pur essendo più compatto delle soluzioni esistenti, HiMAE produce risultati in meno di un millisecondo su una CPU di classe smartwatch. È la prima dimostrazione concreta che i modelli fondazionali per la salute possano funzionare direttamente on-device, consentendo l’analisi in tempo reale dei segnali grezzi senza appoggiarsi a server cloud, un aspetto rilevante sia per la privacy dei dati sanitari che per la latenza delle risposte.
