面向可穿戴设备的基础模型需超越静态编码器

可穿戴基础模型（WFMs） trained on大量由易于获取、持续运行的设备收集的数据，已在活动识别、健身跟踪和心血管信号评估等短期、明确定义的健康监测任务中展现出强大的性能。然而，大多数现有WFMs主要通过静态编码器将短时序窗口映射到预定义标签，强调回顾性预测而非对演化中的个人历史、上下文和未来风险轨迹的推理。因此，它们不适用于建模随时间展开的慢性、进展性或发作性健康状况。因此，我们认为WFMs必须超越静态编码器，需专为纵向、预测性的健康推理而设计。我们确定了实现这一转变所需的三个基础性变革：（1）结构丰富的数据，这超越孤立数据集或结果条件化收集，转向整合的多模态、长期个人轨迹和上下文元数据，理想情况下由开放且可互操作的数据生态系统支持；（2）纵向感知的多模态建模，这优先考虑长时序推理、时序抽象和个人化，而非横截面或群体水平预测；（3）智能推理系统，这超越静态预测，支持规划、决策和在不确定性下的临床干预。综上，这些变革将可穿戴健康监测从回顾性信号解释，重新定位为持续的、预测性的、以人为中心的健康支持。