JAKARTA, Sapalah.com — Kecerdasan buatan atau AI semakin banyak digunakan untuk menganalisa data biosignal atau sinyal biologis melalui perangkat wearable seperti smartwatch. Tujuannya agar pengguna memahami sekaligus mengelola kesehatannya dengan lebih baik. Hal itu juga yang kini menjadi misi Samsung dengan mengembangkan Health Foundation Model atau model AI Kesehatan dari data biosignal.
Dalam Health Forum yang digelar pada Galaxy Unpacked Juli 2026 lalu, raksasa teknologi global asal Korea Selatan itu membagikan visi Connected Care untuk masa depan kesehatan digital.
Connected care adalah pendekatan yang mengubah layanan kesehatan dari yang bersifat reaktif menjadi lebih preventif, personal, dan terhubung, didukung oleh inovasi kesehatan yang terpercaya serta kolaborasi di seluruh ekosistem layanan kesehatan.
Salah satu teknologi yang mendukung hadirnya pengalaman kesehatan generasi baru tersebut adalah health foundation model. Health foundation model merupakan model AI yang menggunakan self-supervised learning untuk mempelajari fitur-fitur bermakna dari data biosignal yang tidak berlabel.
Setelah melalui proses pre-training (tahap awal melatih kecerdasan buatan) menggunakan data kesehatan dalam skala besar, model tersebut dapat diterapkan untuk berbagai tugas kesehatan, termasuk analisis biosignal, pengembangan biomarker baru atau yang lebih baik, serta prediksi masalah kesehatan.
Dua model dasar
Digital Health Team Samsung Research America (SRA) Subbu Venkatraman menjelaskan, biosignal pada dasarnya bersifat dinamis, dengan karakteristik fisiologis unik yang berubah seiring waktu.
“Kontribusi utama penelitian ini terletak pada pembuktian kelayakan model dasar kesehatan yang mampu menangkap hubungan antar-sinyal maupun struktur temporal yang mendasarinya. Kami tetap berkomitmen untuk memajukan penelitian AI dasar di bidang kesehatan serta menerapkannya menjadi solusi layanan kesehatan yang secara bermakna meningkatkan kesehatan dan kesejahteraan masyarakat,” kata Subbu.
Para peneliti Digital Health Team di SRA saat ini sudah memperkenalkan dua model dasar (foundation models) AI berbasis data wearable yakni XMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning) dan HiMAE (Hierarchical Masked Autoencoder).
Kedua model itu juga telah diterima di International Conference on Machine Learning (ICML) dan International Conference on Learning Representations (ICLR), yang menegaskan signifikansi penelitian tersebut.
xMAE memberi insight jantung berkelanjutan dari perangkat wearable. Terkait hal itu, para peneliti di SRA melakukan pretraining xMAE menggunakan sekitar 9.400 jam data Electrocardiogram (ECG) dan photoplethysmography (PPG).
ECG pada perangkat wearable mengukur aktivitas listrik jantung secara langsung dan dapat digunakan untuk mengukur detak jantung serta variabilitas detak jantung, sekaligus mengidentifikasi irama jantung yang tidak normal dan risiko kondisi seperti fibrilasi atrium. ECG memiliki tingkat akurasi yang tinggi, tetapi umumnya mengharuskan pengguna berhenti sejenak untuk melakukan pengukuran secara aktif.
Sementara PPG dapat mengukur fungsi jantung secara tidak langsung dengan mendeteksi perubahan aliran darah. Pengukuran PPG dapat dilakukan secara pasif dan berkelanjutan melalui sensor pada perangkat wearable seperti smartwatch.
Model tersebut mengungguli model biosignal unimodal dan metode multimodal learning yang sudah ada dalam 15 dari 19 tugas evaluasi, termasuk prediksi penyakit kardiovaskular, deteksi hasil pemeriksaan yang tidak normal, dan klasifikasi tahap tidur. Studi tersebut juga mengonfirmasi potensi penggunaan fitur yang telah dipelajari pada berbagai perangkat sensor, lokasi pemasangan sensor di tubuh, serta lingkungan pengumpulan data yang berbeda.
Sementara HiMAE memahami pola kesehatan pada berbagai skala waktu dalam data time-series dari perangkat wearable. Ia membaca kondisi tubuh pada berbagai skala waktu langsung di perangkat. Baik pendek maupun Panjang secara terpisah. Sehingga dapat mengidentifikasi informasi yang dibutuhkan untuk setiap tugas kesehatan, seperti analisis detak jantung atau prediksi tahap tidur, pada skala waktu yang sesuai.
Kemajuan AI Kesehatan
Kedua penelitian tersebut menunjukkan kemajuan dalam pengembangan model AI kesehatan yang mampu memahami hubungan fisiologis dan struktur temporal biosignal dengan lebih baik.
Secara bersama-sama, xMAE dan HiMAE merepresentasikan kemajuan dalam pengembangan model AI yang mampu memahami secara lebih presisi hubungan fisiologis dan struktur temporal yang menjadi karakteristik unik biosignal. Kedua model ini dirancang untuk menghadirkan insight kesehatan yang presisi, berkelanjutan, dan personal, sekaligus dapat diterapkan pada berbagai tugas kesehatan melalui satu model yang telah melalui pretraining.
Peneliti SAR lainnya Sharanya Desai menambahkan, penelitian mereka penting karena meletakkan landasan teknis untuk menghasilkan wawasan kesehatan yang efisien, akurat, dan berkelanjutan melalui model fondasi kesehatan.
“Kami akan terus mengembangkan dan memajukan model fondasi kesehatan yang dapat diterapkan pada berbagai sinyal biologis serta fitur kesehatan, yang mampu beroperasi langsung pada perangkat dengan keterbatasan sensor dan sumber daya komputasi,” kata Sharanya.
