Recentemente, un gruppo di ricercatori ha introdotto un modello linguistico avanzato, il Personal Health Large Language Model (PH-LLM), progettato per comprendere e ragionare su domande e dati relativi alla salute personale.
PH-LLM utilizza i dati raccolti da dispositivi mobili e indossabili, come il conteggio dei passi, la variabilità della frequenza cardiaca e la durata del sonno, per fornire consigli personalizzati. Grazie a un encoder multimodale, il modello è ottimizzato sia per la comprensione testuale che per l’interpretazione dei dati grezzi dei sensori, riuscendo così a generare intuizioni e raccomandazioni per migliorare i comportamenti legati alla salute.
La valutazione sistematica di PH-LLM ha dimostrato la sua capacità di produrre consigli dettagliati basati sui modelli di sonno e attività fisica degli individui. Inoltre, il modello ha superato la performance media di esperti umani in test di conoscenza specialistica nel campo del sonno e della forma fisica.
Un secondo approccio presentato dai ricercatori combina le capacità di generazione di codice e l’uso di agenti basati su modelli IA per analizzare dati comportamentali attraverso interrogazioni in linguaggio naturale. Questo metodo ha dimostrato un’accuratezza dell’84% nell’analisi di query numeriche riguardanti la salute personale e ha migliorato significativamente la qualità del ragionamento rispetto ai modelli di generazione di codice tradizionali.
Questi progressi rappresentano un passo significativo verso lo sviluppo di assistenti personali per la salute, capaci di fornire raccomandazioni accurate e contestualizzate, aiutando così le persone a raggiungere i loro obiettivi di benessere. Con una continua ricerca e sviluppo, l’IA potrebbe diventare un alleato indispensabile per vivere una vita più lunga e sana.
