Google Teliti Pemanfaatan Wearable untuk Memetakan Risiko Kesehatan Metabolik dan Jantung

Google Research memperkenalkan pendekatan baru dalam pemanfaatan perangkat wearable untuk membantu memahami risiko kesehatan jantung, ginjal, dan metabolisme tubuh. Penelitian yang diumumkan pada 11 November 2026 ini menggabungkan data aktivitas harian, pola tidur, detak jantung, serta kecerdasan buatan untuk menghasilkan gambaran kesehatan yang lebih personal. Melalui konsep Coachable Health Age dan model Sensor World Model, peneliti mengeksplorasi kemungkinan memperkirakan perubahan indikator kesehatan berdasarkan kebiasaan sehari-hari. Perkembangan TEKNOLOGI tersebut membuka peluang pemantauan kesehatan yang lebih berkelanjutan, meskipun sistem yang dikembangkan masih berada pada tahap penelitian dan belum ditujukan sebagai alat diagnosis medis.
Google Kembangkan Teknologi Wearable untuk Memahami Risiko Kesehatan
Divisi penelitian Google menghadirkan pendekatan berbasis machine learning yang memanfaatkan informasi dari perangkat wearable. Penelitian tersebut mempelajari perubahan indikator kesehatan dari beberapa sistem organ. Hubungan antarfungsi organ tersebut dikenal melalui konsep cardiovascular-kidney-metabolic atau CKM. Melalui sistem penelitian tersebut, data seperti detak jantung saat istirahat, aktivitas berjalan setiap hari, jumlah jam tidur, dan intensitas aktivitas fisik dianalisis guna menggambarkan kondisi fisiologis. Tujuan utama penelitian adalah mendukung pemahaman terhadap kebiasaan yang berkaitan dengan kesehatan.
Tidak seperti pengukuran yang hanya dilakukan pada waktu tertentu, perangkat wearable mampu mencatat aktivitas dan kondisi tubuh sepanjang hari. Pengumpulan data secara berkala tersebut membantu mengidentifikasi perubahan pola aktivitas. Untuk menggambarkan manfaatnya, perubahan aktivitas fisik serta durasi istirahat dapat diamati selama beberapa minggu. Google kemudian memanfaatkan informasi tersebut untuk mengembangkan indikator kesehatan yang dapat berubah. Namun demikian, wearable tidak memberikan diagnosis penyakit secara otomatis. Oleh sebab itu, penelitian ini masih merupakan pendekatan investigasional.
Cara Google Memperkirakan Usia Kesehatan melalui Data Wearable
Fitur penelitian yang menjadi perhatian adalah Coachable Health Age atau CHA, yaitu indikator usia kesehatan berdasarkan kebiasaan dan fisiologi. Dibandingkan usia kalender seseorang, CHA menggabungkan informasi kebiasaan yang berkaitan dengan kesehatan. Sistem estimasi kesehatan tersebut mengandalkan empat jenis informasi dasar, yakni detak jantung istirahat, total langkah setiap hari, waktu tidur, dan Active Zone Minutes. Indikator aktivitas tersebut mencerminkan durasi kegiatan yang meningkatkan kerja kardiovaskular. Dalam kondisi data mendukung, model juga bisa mempertimbangkan keteraturan jadwal tidur. Analisis berbagai data kesehatan tersebut digunakan untuk memperkirakan kondisi fisiologis.
Untuk memahami hasil CHA, peneliti membandingkannya dengan usia kronologis. Jika perkiraan usia fisiologis lebih muda, model memberikan nilai usia kesehatan di bawah umur sebenarnya. Apabila hasilnya lebih tinggi, angka tersebut dapat menunjukkan profil risiko yang perlu diperhatikan. Meski demikian, nilai usia kesehatan tidak dapat digunakan sebagai kesimpulan klinis tunggal. Google juga menyesuaikan hubungan antarsinyal yang memiliki keterkaitan statistik. Sebagai contoh, seseorang yang rutin melakukan aktivitas fisik juga berpotensi memiliki beberapa indikator kesehatan yang saling berkaitan. Metode perhitungan tersebut mendukung interpretasi faktor kesehatan secara lebih jelas.
Hubungan Usia Kesehatan dengan Risiko Hipertensi dan Diabetes
Untuk mengevaluasi model CHA, Google melakukan evaluasi melalui populasi penelitian berbeda. Analisis penting dalam penelitian tersebut melibatkan 22.748 peserta dari program All of Us. Dalam evaluasi tersebut, Google memanfaatkan informasi wearable Fitbit dan rekam kesehatan elektronik dengan akumulasi tindak lanjut melampaui 68.000 tahun-orang. Hasil penelitian memperlihatkan bahwa peserta dengan perkiraan usia fisiologis lebih tua dari usia sebenarnya memiliki hubungan dengan peningkatan kejadian masalah kesehatan seperti hipertensi, penyakit kardiovaskular, dan diabetes tipe 2 dalam pengamatan hingga delapan tahun. Di samping temuan tersebut, penggunaan CHA bersama usia, jenis kelamin, dan indeks massa tubuh memberikan informasi tambahan dalam prediksi penyakit, terutama pada peserta yang belum mencapai usia 50 tahun.
Google turut mengamati perubahan CHA dari waktu ke waktu melalui kelompok pengguna Fitbit yang dipantau secara longitudinal. Pada pengujian tersebut, sebanyak 1.464 peserta diamati selama periode dua tahun. Temuan analisis memperlihatkan bahwa perubahan kebiasaan yang dipertahankan secara konsisten berkaitan dengan penurunan indikator usia kesehatan. Sekalipun hasil penelitian menjanjikan, hasil pengamatan tidak otomatis menunjukkan hubungan sebab-akibat. Sebagai validasi tambahan, tim mengevaluasi kesesuaian CHA dengan ukuran kesehatan klinis yang digunakan dalam penelitian. Pemeriksaan tambahan ini memberikan konteks mengenai kegunaan CHA sebelum dipertimbangkan untuk penerapan kesehatan nyata.
Sensor World Model Google Simulasikan Perubahan Kebiasaan Selama 12 Minggu
Selain mengembangkan indikator usia kesehatan, Google meneliti sistem simulasi kesehatan berbasis Sensor World Model. Teknologi tersebut digunakan untuk memodelkan kemungkinan perubahan data kesehatan berdasarkan perubahan rutinitas bergerak serta istirahat. Google melatih model menggunakan sekitar 2,28 juta minggu-orang data wearable yang telah dihilangkan informasi pengenal pribadinya. Data tersebut dikumpulkan dari sekitar 100.000 pengguna Fitbit yang menyetujui pemanfaatan datanya. Dengan memanfaatkan data awal selama dua minggu, SensorWM menghasilkan simulasi hingga 12 minggu berikutnya. Simulasi tersebut melibatkan dua puluh indikator kondisi tubuh berdasarkan berbagai skenario kebiasaan.
Aspek menarik dari SensorWM adalah penggunaan simulasi what-if, yakni perkiraan berdasarkan skenario perubahan. Untuk menggambarkan penggunaannya, model dapat memperkirakan perubahan indikator ketika jumlah langkah meningkat. Pendekatan ini memperhitungkan bahwa perubahan kebiasaan berpotensi diikuti perubahan fisiologis lain. Saat kebiasaan olahraga mengalami perubahan, indikator seperti frekuensi denyut jantung saat istirahat serta keteraturan tidur berpotensi mengalami perubahan dalam beberapa minggu. Meskipun simulasi dapat memberikan gambaran, hasil SensorWM tidak menjamin perubahan yang sama pada setiap individu. Oleh sebab itu, penggunaannya memerlukan validasi tambahan.
Manfaat Analisis Multimodal dalam Memahami Risiko Kesehatan CKM
Dalam pendekatan analisis yang lebih mendalam, Google menggabungkan data wearable dengan pemeriksaan darah. Pendekatan tersebut berfokus pada hubungan sistem jantung, ginjal, dan metabolisme. Dalam penelitian WEAR-ME, sebanyak 819 peserta menjadi bagian dari evaluasi kesehatan multimodal. Tim penelitian memanfaatkan indikator wearable dengan tiga biomarker darah, yaitu cholesterol-to-HDL ratio untuk komponen kardiovaskular, eGFR untuk menilai fungsi filtrasi ginjal, serta HOMA-IR untuk menilai resistensi insulin. Analisis berbagai indikator ini memperluas pemahaman mengenai kondisi metabolik dan kardiovaskular.
Analisis Google memperlihatkan bahwa perubahan kesehatan pada sistem jantung, ginjal, dan metabolik dapat berkembang secara berbeda pada setiap individu. Salah satu pola yang ditemukan, indikator metabolik dan kardiovaskular sering menunjukkan keterkaitan, sementara perubahan fungsi ginjal mungkin menunjukkan karakteristik berbeda. Temuan tersebut memperlihatkan pentingnya pemeriksaan yang personal. Sekalipun sensor wearable menghasilkan banyak data, pemeriksaan laboratorium tetap memiliki fungsi penting. Oleh sebab itu, pendekatan multimodal memberikan peluang untuk analisis fisiologis yang lebih terperinci, tetapi belum dapat digunakan sebagai alat diagnosis mandiri.
Masa Depan Teknologi AI dalam Pemantauan Kesehatan Jantung dan Metabolik
Pengembangan teknologi wearable oleh Google menunjukkan potensi pemanfaatan data fisiologis berkelanjutan. Dengan memanfaatkan indikator usia kesehatan yang dapat dimodifikasi, peneliti mengevaluasi keterkaitan aktivitas harian dan kesehatan. Sebagai bagian dari pengembangan tersebut, SensorWM mendukung perkiraan perubahan indikator fisiologis berdasarkan aktivitas. Integrasi sensor perangkat pintar dengan hasil laboratorium juga memperluas analisis kesehatan jantung, ginjal, dan metabolisme. Meskipun hasil penelitian menunjukkan potensi penting, model tersebut belum ditetapkan sebagai alat diagnosis medis. Dengan mempertimbangkan keterbatasan tersebut, data wearable sebaiknya dipahami sebagai informasi pendukung. Apa pendapat Anda, apakah pemanfaatan AI dapat membantu pengguna memperbaiki kebiasaan? Silakan bagikan pendapat Anda agar pemahaman mengenai teknologi kesehatan terus berkembang.






