De bioseñales a insights de salud: el trabajo de Samsung Research en modelos fundacionales de salud

La inteligencia artificial (IA) está transformando la forma en que se analizan las bioseñales capturadas por dispositivos vestibles (wearables), como los smartwatches. Al identificar patrones relevantes en datos relacionados con la salud —como el sueño, la frecuencia cardíaca y la actividad física—, la IA ayuda a las personas a comprender mejor su estado de salud y a tomar decisiones más informadas sobre su bienestar.

El Foro de Salud realizado durante el Galaxy Unpacked de julio de 2026 también presentó la visión de Cuidado Conectado (Connected Care) de Samsung para el futuro de la salud digital: un escenario en el que la atención evoluciona del tratamiento reactivo hacia experiencias más preventivas, personalizadas y conectadas, respaldadas por innovación confiable en salud y alianzas a lo largo de todo el ecosistema. Una de las tecnologías que contribuye a hacer posible esta nueva generación de experiencias es el modelo fundacional de salud (health foundation model).

Investigadores del Equipo de Salud Digital de Samsung Research America (SRA) están desarrollando nuevas tecnologías de IA capaces de comprender de manera continua el estado de salud de una persona a partir de sus bioseñales, generar insights de salud y proporcionar orientación adecuada.

Recientemente, investigadores de Samsung presentaron dos modelos fundacionales basados en datos obtenidos de dispositivos vestibles: xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning), que aprende las relaciones temporales entre diferentes bioseñales, e HiMAE (Hierarchical Masked Autoencoder), diseñado para comprender patrones de salud en diferentes escalas de tiempo a partir de datos de series temporales recopilados por dispositivos vestibles.

Ambos estudios representan un avance en el desarrollo de modelos de IA para la salud capaces de comprender con mayor precisión las relaciones fisiológicas y la estructura temporal de las bioseñales.

El trabajo de Samsung en los modelos xMAE e HiMAE fue aceptado, respectivamente, en la Conferencia Internacional sobre Aprendizaje Automático (ICML) y en la Conferencia Internacional sobre Representaciones de Aprendizaje (ICLR), dos de las principales conferencias internacionales en el campo de la inteligencia artificial y el aprendizaje automático. Este reconocimiento destaca la relevancia de esta investigación.

Modelos fundacionales de salud que interpretan las señales del cuerpo: por qué son importantes

Un modelo fundacional de salud es un modelo de IA que utiliza aprendizaje autosupervisado para identificar y aprender características relevantes a partir de grandes cantidades de datos de bioseñales no etiquetados.

Una vez preentrenados con datos de salud a gran escala, estos modelos pueden adaptarse a una amplia variedad de tareas posteriores, como la interpretación de bioseñales, el desarrollo de biomarcadores nuevos o mejorados y la predicción de posibles problemas de salud.

Modelo de IA xMAE: insights cardíacos continuos desde dispositivos vestibles

El electrocardiograma (ECG) en dispositivos vestibles mide directamente la actividad eléctrica del corazón y puede utilizarse para medir la frecuencia cardíaca y su variabilidad, identificar ritmos cardíacos anormales y evaluar el riesgo de afecciones como la fibrilación auricular. Sin embargo, el ECG generalmente requiere que el usuario detenga sus actividades y realice una medición de forma activa.

Por otro lado, la fotopletismografía (PPG) puede medir indirectamente la función cardíaca mediante la detección de cambios en el flujo sanguíneo. Además, puede realizarse de manera pasiva y continua mediante sensores incorporados en dispositivos vestibles, como los smartwatches.

Aunque ambas señales se originan en la misma actividad cardíaca, presentan una diferencia temporal entre sí, similar a la forma en que primero vemos un relámpago y después escuchamos el trueno.

El xMAE es un marco de preentrenamiento de bioseñales diseñado para aprender esta relación temporal mediante la reconstrucción de partes enmascaradas de la señal de ECG a partir de la señal PPG, que puede medirse de manera más sencilla y continua.

Como resultado, las características relacionadas con la salud cardiovascular pueden analizarse con mayor precisión a partir de PPG, sin necesidad de realizar mediciones independientes de ECG de manera manual.

Los investigadores preentrenaron xMAE utilizando aproximadamente 9.400 horas de datos de ECG y PPG. El modelo superó a modelos de bioseñales unimodales y a métodos de aprendizaje multimodal existentes en 15 de 19 tareas de evaluación, entre ellas la predicción de enfermedades cardiovasculares, la detección de resultados anormales en pruebas y la clasificación de las etapas del sueño.

El estudio también confirmó el potencial de utilizar las características aprendidas en diferentes dispositivos, ubicaciones corporales y entornos de recopilación de datos, lo que demuestra la capacidad del modelo para generalizar más allá de las condiciones específicas utilizadas durante su entrenamiento.

Modelo de IA HiMAE: una lectura del cuerpo en diferentes escalas de tiempo, directamente en el dispositivo

Los datos de salud recopilados por dispositivos vestibles pueden revelar información diferente dependiendo de la escala de tiempo en la que se analicen. Por ejemplo, los segmentos de tiempo cortos pueden revelar señales que cambian rápidamente, como los latidos del corazón, mientras que los períodos más largos pueden mostrar patrones que se acumulan con el tiempo, como el sueño o la actividad física.

Esto puede compararse con acercar o alejar el zoom de una imagen: cada nivel permite observar información diferente.

HiMAE es un modelo de aprendizaje autosupervisado que aprende representaciones a partir de datos de dispositivos vestibles en múltiples escalas de tiempo. Para ello, utiliza múltiples codificadores que analizan por separado segmentos de datos cortos y largos. Esto permite al modelo identificar la información relevante para cada tarea de salud en la escala de tiempo más adecuada, desde el análisis de la frecuencia cardíaca hasta la predicción del sueño.

Durante el entrenamiento, el modelo reconstruye partes enmascaradas de los datos. De esta manera, puede aprender patrones relevantes de las bioseñales incluso cuando la disponibilidad de datos etiquetados es limitada.

Un único modelo HiMAE preentrenado puede realizar tareas de clasificación, predicción numérica y generación de datos. Además, logró un alto rendimiento con un tamaño menor al de modelos existentes y mejoró significativamente la eficiencia computacional, hasta el punto de generar resultados en menos de un milisegundo en una unidad central de procesamiento (CPU) de categoría smartwatch.

Uno de los aspectos más relevantes de HiMAE es que demuestra el potencial de llevar los modelos fundacionales de salud directamente al dispositivo. Esto permite analizar señales de salud sin procesar en tiempo real, sin depender de servidores en la nube.

El siguiente paso hacia el Cuidado Conectado

En conjunto, xMAE e HiMAE representan un avance en el desarrollo de modelos de IA capaces de comprender con mayor precisión las relaciones fisiológicas y las estructuras temporales propias de las bioseñales.

Ambos modelos apuntan hacia una nueva generación de experiencias de salud capaces de ofrecer insights más precisos, continuos y personalizados, al tiempo que permiten abordar múltiples tareas de salud a partir de un único modelo preentrenado.

Este trabajo contribuye a la visión de Cuidado Conectado de Samsung, en la que la IA y los dispositivos vestibles pueden desempeñar un papel cada vez más importante en la comprensión continua de la salud y en el desarrollo de experiencias preventivas y personalizadas.

Conoce más detalles sobre esta investigación directamente de la mano de los investigadores detrás de este trabajo.