可穿戴设备的数据怎么用？Cardiogram 用机器学习实现心脏健康的监测

医疗健康永远逃不出“合理饮食、积极运动、保证充足睡眠”三大口号，然后预防措施常常落进“说起来容易做起来难”的套路。健康数据源的井喷帮机器学习敲开了预防医学的大门，说到底，是数据催生了这个新时代，人们在医疗健康方面最大的惊喜莫过于手腕上的健康数据源和管理健康的 app。

像 Apple Watch、Fitbit、Jawbone 等可穿戴设备可以生成用户健康的新型信息流。可穿戴设备能帮消费者更好地为自己的健康负责，目前这类设备用户量达到百万级，就是说，数据是有了，只待各种软件进行可行的观察分析，发现那些看似微不足道的重要身体变化。

我们的生活不是由单一数据决定的。人在赶火车、运动或者为某个消息而兴奋时，每分钟的心脏工作状况都会发生变化。坐在心脏病专家的办公室，人们接受的临床检测只是捕捉到了某个特定状态。除此之外，医生难免做出有偏见的判断，这取决于测试者是放松状态还是焦虑状态。相比一年一次的体检，这些设备对用户的身体数据的监测是持续的。

然而，可穿戴设备目前仍有重大局限，测量的数据通常达不到临床水平。既然可穿戴设备无法保证不遗漏重要时刻的数据，这种不够精确的设备还有什么意义？有没有办法使一个不太精确的设备在大量的额外的测量辅助下发挥作用？这就是现代机器学习的切入点。

半监督机器学习的新方法主要考虑利用少量的标注样本和大量的未标注样本进行训练和分类，结合了大而杂的和小而精的数据集，这就使简单的监测拥有完整测试的效果。例如在研究团队探索的项目中，可以得到某些患者准确测试的数据，从而对接可穿戴设备获得的资源。

我们来看一个关于半监督机器学习的简单例子，首先，前提是我们有一些患者的高级临床测试数据，作为 “标记数据”，图 a 中的圆圈与三角形的分界告诉我们某人是否健康。然而，单凭几个数据无法在两组之间划定边界。通过添加额外的未标记数据（例如来自可穿戴设备的数据），我们可以更好地看到数据的自然聚类，可以更准确地预测边界，了解个人的健康状况。这就意味着，更多可穿戴设备的监测能加强结果的可预测性。

对于健康初创公司 Cardiogram，这种半监督机器学习不再是一个发展目标，他们已经将其运用在产品中。Cardiogram 与 UC San Francisco 的世界级心脏病专家合作，获得了全面测量的数据集，再结合他们的 app 从 Apple Watch 获取数据来实现对用户健康的监测。目前，Cardiogram 已经从 10 多万名 Apple Watch 用户中收集了超过 100 亿个传感器测量值，C 统计量高于90%（C统计量可以估计用 logistic 回归模型进行诊断或预测的准确度）。

一些早期的证据表明该方法的可行性。最近，用户使用了 Cardiogram 的 “救护车”功能，得到及时的救治，保住了生命。随着 Cardiogram 用户量的增长，他们将做出更准确的更有用的预测。

上周四，Cardiogram 获得 200 万美元种子投资，由 Andreessen Horowitz 领投。他们的目标是使用算法准确地预测和识别心房颤动，并通过可穿戴设备和智能手机的数据来完善关于健康心脏的界定。

Cardiogram 团队的 Brandon Ballinger 和 Johnson Hsie 拥有在计算机科学和生物领域专业知识，能够将 Google 和斯坦福的机器学习与医疗健康经验以及与 UCSF 的合作结合起来运用到工作中。计算机与生物学相结合的新世界充满未知，跨学科队员可以说是团队的高级配置了。