SensorFM AI สุขภาพสวมใส่: โมเดลฐานข้อมูลขนาดมหาศาลจาก Google

สรุปสั้น: SensorFM ได้รับการฝึกด้วยข้อมูลเซ็นเซอร์สวมใส่กว่า 1 เทริลิออนนาทีจากผู้ใช้ 5 ล้านคนทั่วโลกและทำให้สรุปสุขภาพจากข้อมูลสวมใส่มีความแม่นยำเทียบคลินิก การทดลองกับแพทย์ 1 860 รายการแสดงผลลัพธ์ไม่แตกต่างจากผลการตรวจในห้องปฏิบัติการ ทำให้เทคโนโลยีนี้อาจเป็นพื้นฐานใหม่สำหรับแอปสุขภาพไทยในอนาคต

ข้อเท็จจริงสำคัญ

• SensorFM ฝึกด้วยข้อมูลเซ็นเซอร์สวมใส่มากกว่า 1 เทริลิออนนาที (กว่า 2 พันล้านชั่วโมง) จากผู้ใช้ 5 ล้านคนที่ให้ความยินยอม [1][4][8]
• ข้อมูลมาจากอุปกรณ์ Fitbit และ Pixel Watch ครอบคลุมกว่า 100 ประเทศและทุกรัฐในสหรัฐอเมริกา ระหว่างเดือนกันยายน 2024-กันยายน 2025 [4]
• โมเดลรับข้อมูล 34 ฟีเจอร์ต่อหนึ่งนาทีจากเซ็นเซอร์ 5 ชนิด ได้แก่ PPG, accelerometer, EDA, skin temperature, altimeter ตามที่ Google รายงาน [1]
• การประเมินผลใช้ 35 งานพยากรณ์สุขภาพหลายด้าน และ SensorFM แสดงผลดีกว่าโมเดลที่ใช้ฟีเจอร์ที่ออกแบบด้วยมือในส่วนใหญ่ของงาน [1][4]
• ในการทดลองกับแพทย์ 1 860 รายการ สรุปสุขภาพจาก SensorFM ไม่แตกต่างจากผลจากการตรวจห้องปฏิบัติการและดีกว่าแนวทางไม่มีข้อมูล [4][5][8]

การเปิดตัว SensorFM จาก Google Research

Google ประกาศเปิดตัว SensorFM โมเดลฐานข้อมูลขนาดใหญ่สำหรับข้อมูลสุขภาพสวมใส่ที่มุ่งสร้างชั้นปัญญาแบบทั่วไปและอินเทอร์เฟซใหม่ให้กับอุปกรณ์สวมใส่ โมเดลนี้ได้รับการฝึกด้วยข้อมูลเซ็นเซอร์ที่เก็บจากผู้ใช้ 5 ล้านคนทั่วโลกในช่วงกันยายน 2024-กันยายน 2025 ข้อมูลมาจากอุปกรณ์ Fitbit และ Pixel Watch ครอบคลุมกว่า 100 ประเทศและทุกรัฐในสหรัฐอเมริกา (รวมกว่า 20 รุ่นอุปกรณ์) [4]

วิธีการทำงานของ SensorFM

SensorFM รับข้อมูล 34 ฟีเจอร์ต่อหนึ่งนาทีจากเซ็นเซอร์ 5 ชนิด ได้แก่ PPG, accelerometer, EDA, skin temperature, altimeter ตามที่ Google รายงาน โดยไม่ต้องใช้ป้ายกำกับทางคลินิก โมเดลเรียนรู้การแสดงผลที่ใช้ร่วมกันของสภาพร่างกายและพฤติกรรม (representation) ที่สามารถนำไปใช้ในงานพยากรณ์สุขภาพหลายประเภทได้

ผลการประเมินบนงานพยากรณ์ 35 ด้าน

ทีมวิจัยทดสอบโมเดลบนงานพยากรณ์ที่ครอบคลุมด้านหัวใจ, เมตาบอลิซึม, การนอน, สุขภาพจิต, ไลฟ์สไตล์และข้อมูลประชากร SensorFM แสดงผลดีกว่าโมเดลที่ใช้ฟีเจอร์ที่ออกแบบด้วยมือในส่วนใหญ่ของงาน [1][4] การทดสอบยังพบว่าการเพิ่มขนาดโมเดลจาก 100 K ถึง 100 M พารามิเตอร์ทำให้ประสิทธิภาพเพิ่มอย่างใกล้เคียงเชิงเส้นโดยไม่มีสัญญาณอิ่มตัวแม้ขยายขนาดข้อมูลและโมเดลสี่ลำดับขนาด [4]

การประเมินกับแพทย์และผลลัพธ์เชิงคลินิก

SensorFM ถูกฝังลงใน Personal Health Agent เพื่อสร้างสรุปสุขภาพจากการพยากรณ์ของโมเดล การทดลองแบบ blinded กับแพทย์ 1 860 รายการแสดงว่าสรุปที่ได้จาก SensorFM ไม่แตกต่างจากสรุปที่สร้างจากผลการตรวจในห้องปฏิบัติการและดีกว่าแนวทางที่ไม่มีข้อมูลเลย [4][5][8] ผลลัพธ์นี้บ่งบอกว่า AI ที่อิงข้อมูลสวมใส่สามารถให้ข้อมูลเชิงคลินิกที่เชื่อถือได้แม้ไม่มีการตรวจในห้องปฏิบัติการ

ความหมายต่ออุตสาหกรรมสุขภาพไทย

ผลการทดลองทำให้เห็นศักยภาพของการรวมข้อมูลเซ็นเซอร์สวมใส่หลายประเภทไว้ในชั้นปัญญาเดียว สำหรับประเทศไทยที่กำลังเร่งพัฒนาแอปสุขภาพดิจิทัล การนำ SensorFM หรือเทคโนโลยีคล้ายคลึงมาปรับใช้กับข้อมูลผู้ใช้ในประเทศอาจช่วยลดช่องว่างระหว่างข้อมูลสวมใส่และการวินิจฉัยทางคลินิก ผู้พัฒนาแอปในไทยอาจใช้โมเดลนี้เป็นฐานเพื่อสร้างฟีเจอร์ใหม่ เช่น การคาดการณ์ความเสี่ยงโรคหัวใจจากข้อมูลการเดินหรือการวัดระดับความเครียดจากสัญญาณผิวหนัง

สิ่งที่ควรจับตามองต่อไป

แม้ SensorFM จะให้ผลลัพธ์ที่น่าประทับใจ แต่ยังต้องเฝ้าดูเรื่องความเป็นส่วนตัวของข้อมูลผู้ใช้และการปรับโมเดลให้เข้ากับประชากรไทยที่มีลักษณะทางชีวภาพและพฤติกรรมแตกต่างจากกลุ่มผู้ใช้ระดับโลก การทดสอบในสภาพแวดล้อมจริงของโรงพยาบาลและคลินิกในประเทศไทยจะเป็นขั้นตอนสำคัญต่อการนำเทคโนโลยีนี้สู่การใช้งานทั่วไปในอนาคต

Sources

4. Google’s SensorFM: A Trillion-Minute Foundation Model That Rivals Clinical Lab Tests for Wearable Health AI (trial.medpath.com) — 2026-07-11
5. SensorFM: Towards a general intelligence and interface for wearable health data (research.google) — 2026-06-30
6. Google’s SensorFM Reveals Where AI Takes Wearable Health (www.forbes.com) — 2026-07-10
7. Wearable AI Now Rivals Lab Tests: Google’s SensorFM Trained on 1 Trillion Minutes (www.techtimes.com) — 2026-07-10