cận chung là sử dụng dữ liệu nhịp tim để dự đoán những thông tin chưa biết
về liệu người dùng có nhịp tim bất thường hay không.
Dữ liệu đầu vào này là cần thiết để vận hành máy dự đoán. Do máy dự
đoán không thể chạy mà không có dữ liệu đầu vào, trái ngược với dữ liệu
đào tạo và dữ liệu phản hồi. Người dùng chưa có kinh nghiệm không thể
nhìn thấy mối liên hệ giữa dữ liệu nhịp tim và nhịp tim bất thường từ dữ
liệu thô. Ngược lại, Cardiogram có thể phát hiện nhịp tim bất thường với
97% độ chính xác bằng việc sử dụng hệ thống mạng nơ-ron sâu của họ.
3
Những sự bất thường như vậy gây ra khoảng 1/4 khả năng đột quỵ. Với sự
dự đoán tốt hơn, các bác sĩ có thể điều trị tốt hơn. Một số loại thuốc nhất
định có thể ngăn ngừa đột quỵ. Để có thể làm được như vậy, cá nhân những
người dùng cần phải cung cấp dữ liệu nhịp tim của họ. Nếu không có dữ
liệu cá nhân, máy không thể dự đoán được rủi ro cho người đó. Sự kết hợp
của máy dự đoán với dữ liệu cá nhân của người dùng giúp dự đoán tốt hơn
về khả năng của một người có nhịp tim bất thường.
Cách máy học hỏi từ dữ liệu
Thế hệ công nghệ AI hiện nay được gọi là “máy tự học” cũng có lý do.
Máy móc học hỏi từ dữ liệu. Trong trường hợp của máy đo nhịp tim, để có
thể dự đoán nhịp tim bất thường (và khả năng của việc đột quỵ) từ dữ liệu
nhịp tim, máy dự đoán phải học mối liên hệ giữa dữ liệu với tỷ lệ thực tế
của nhịp tim bất thường. Để có thể làm được vậy, máy dự đoán cần kết hợp
dữ liệu đầu vào từ Apple Watch – điều mà những nhà thống kê gọi là “biến
độc lập” – với thông tin về nhịp tim bất thường (“biến phụ thuộc”).
Để máy dự đoán có thể học được, thông tin về nhịp tim bất thường phải đến
từ cùng một người với dữ liệu nhịp tim được thu thập bởi Apple Watch.
Vậy nên máy dự đoán cần dữ liệu từ nhiều người có nhịp tim bất thường,
cùng với dữ liệu nhịp tim sẵn có của họ. Quan trọng là nó cũng cần dữ liệu
từ những người không có nhịp tim bất thường cùng với dữ liệu nhịp tim của
