Преобразование данных носимых устройств в персонализированные сведения о здоровье с помощью агентов на основе больших языковых моделей

Transforming wearable data into personal health insights using large language model agents
Yi Liu, Cory Y. McLean, Tim Althoff, Daniel McDuff, Shwetak Patel, Kumar Ayush, Hao-Wei Su, Naghmeh Rezaei, Mike A. Merrill, Akshay Paruchuri, Geza Kovacs, Javier Perez, Yun Liu, Erik Schenck, Nova Hammerquist, Jake Sunshine, Shyam Tailor, Kumar Ayush, Qian He, Mark Malhotra, Shwetak Patel, Jiening Zhan, Tim Althoff, Daniel McDuff, Geza Kovacs, Shyam A. Tailor, Hao-Wei Su, Xin Liu
2026-01-12

генерация кодаизвлечение информацииагенты больших языковых моделейперсонализированные сведения о здоровьеданные носимых устройств о здоровье
Извлечение персонализированных сведений из популярных трекеров носимых устройств требует сложных численных рассуждений, что создает трудности для стандартных больших языковых моделей (LLM) и обусловливает необходимость инструментальных подходов, таких как генерация кода. Агенты на основе больших языковых моделей (LLM) представляют собой перспективное, но пока мало освоенное решение для проведения такого анализа в больших масштабах. Мы представляем агента персонализированных сведений о здоровье (Personal Health Insights Agent, PHIA) — систему, использующую многошаговое рассуждение, генерацию кода и поиск информации для анализа и интерпретации данных о поведенческом здоровье. Для проверки его возможностей мы создали и предоставили в открытом доступе два эталонных набора данных, содержащих более 4000 вопросов о сведениях, связанных со здоровьем. Оценка, проведенная экспертами-людьми в течение 650 часов, показала, что PHIA значительно превосходит сильную базовую систему генерации кода: точность на объективных численных вопросах составила 84%, а для открытых вопросов благоприятные оценки были получены в 83% случаев; при этом вероятность получения наивысшей оценки качества была вдвое выше. Эта работа может способствовать развитию поведенческого здоровья, помогая людям понимать собственные данные и открывая для широких слоев населения новую эру доступного, персонализированного и основанного на данных поддержания здоровья. Носимые устройства генерируют огромные потоки данных о здоровье, однако интерпретация этих измерений требует сложных численных рассуждений, выходящих за пределы возможностей традиционных языковых моделей. В настоящем исследовании представлен агент на основе большой языковой модели, который интерпретирует данные носимых устройств и предоставляет точные персонализированные сведения о здоровье.
1
В ходе 650-часовой экспертной оценки PHIA достиг точности 84% на объективных числовых вопросах и значительно превзошёл сильный базовый метод генерации кода.
2
Для открытых вопросов PHIA получил 83% положительных оценок и вдвое чаще, чем базовый метод, удостаивался высшей оценки качества.
3
PHIA демонстрирует потенциал LLM-агентов для предоставления доступных, персонализированных и основанных на данных рекомендаций на основе данных носимых устройств.
4
Personal Health Insights Agent (PHIA) использует многошаговое рассуждение, генерацию кода и поиск информации для интерпретации поведенческих данных о здоровье с носимых устройств.
5
В исследовании представлены и опубликованы два набора данных для оценки анализа данных носимых устройств, содержащие более 4000 вопросов о персонализированных выводах о здоровье.

данные о поведенческом здоровье, получаемые с носимых устройств

точная персонализированная интерпретация данных с носимых устройств и формирование выводов на основе сложных численных рассуждений

Publication Details
Publication Date
2026-01-12
Journal
Publisher
ISSN
Cited by
84
Access Type
Author Information
Authors
Yi Liu
Cory Y. McLean
Tim Althoff
Daniel McDuff
Shwetak Patel
Kumar Ayush
Hao-Wei Su
Naghmeh Rezaei
Mike A. Merrill
Akshay Paruchuri
Geza Kovacs
Javier Perez
Yun Liu
Erik Schenck
Nova Hammerquist
Jake Sunshine
Shyam Tailor
Kumar Ayush
Qian He
Mark Malhotra
Shwetak Patel
Jiening Zhan
Tim Althoff
Daniel McDuff
Geza Kovacs
Shyam A. Tailor
Hao-Wei Su
Xin Liu
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%