AppleヘルスケアデータをBigQueryに集約しAIで分析する手法

どんな事例か

この記事では、AppleヘルスケアのデータをBigQueryに集約し、AI（ClaudeやChatGPT）から分析可能にする個人用ヘルスデータ基盤の構築事例を紹介します。長期的な体重、運動、睡眠、HRV（心拍変動）などのデータをAIに提供することで、より深い分析や相談を可能にすることを目指しています。

使われた技術・ツール

この事例では、以下の技術・ツールが活用されています。

• Appleヘルスケア: iPhoneやApple Watchから収集される健康・フィットネスデータのソースです。
• Health Auto Export Pro: AppleヘルスケアのデータをJSON形式でエクスポートし、REST API経由で送信するアプリです。
• Cloud Run: Google Cloud Platform上でコンテナ化されたアプリケーションを実行するサービスで、データ受信とBigQueryへの保存を担当しています。
• BigQuery: Google Cloud Platformのフルマネージドなデータウェアハウスで、データの保存、クレンジング、集計を行います。
• Claude: Anthropic社が開発した大規模言語モデルで、BigQuery MCP（Model Context Protocol）経由での分析が可能です。
• ChatGPT: OpenAI社が開発した大規模言語モデルで、Supabaseを経由してBigQueryのデータにアクセスします。
• Supabase: オープンソースのFirebase代替プラットフォームで、BigQueryのデータをChatGPTに提供するためのインターフェースとして利用されます。

得られた成果

この事例により、以下の成果が期待されます。

• 長期コンテキストのAIへの提供: 数ヶ月から数年分の健康データをAIに与えることで、単日のデータだけでなく、長期的な傾向に基づいた分析やアドバイスが可能になります。
• AIによる健康相談の高度化: 体重の増減、HRVの低下、運動量など、複数の要因を考慮したAIからのアドバイスを得られます。
• データ分析基盤の構築: BigQueryを中心に、生データに近い形式（Bronze）、クレンジング済み（Silver）、集計済み（Gold）のデータ層を設けることで、データの管理と分析が容易になります。
• 柔軟なデータアクセス: ClaudeからはBigQuery MCPを通じて直接SQLでの分析が可能であり、ChatGPTからはSupabaseを経由して必要なデータにアクセスできます。
• 将来的な拡張性: 食事記録、日記、位置情報、SNS投稿など、将来的にはより広範な生活ログデータを統合し、AIによる包括的な生活分析を目指すことが可能です。

同じ規模の組織が真似できるポイント

この事例から、個人や小規模なチームでも以下の点を参考にデータ活用を進めることができます。

• 目的の明確化: 単にデータを保存するだけでなく、「AIに長期コンテキストを渡したい」といった具体的な目的を設定することが重要です。
• データ収集の自動化: Health Auto Export Proのようなツールを活用し、手作業を減らして継続的なデータ収集を実現します。
• クラウドサービスの活用: Cloud RunやBigQueryのようなスケーラブルなクラウドサービスを利用することで、インフラ管理の負担を軽減し、データ分析に集中できます。
• データ層の設計: Bronze, Silver, Goldといったデータ層を設けることで、データの品質を段階的に向上させ、分析ニーズに応じたデータを提供します。
• AIとの連携方法の検討: 目的とするAI（Claude, ChatGPTなど）の特性に合わせて、データ連携方法（MCP, Supabase経由など）を検討します。

まとめ

AppleヘルスケアのデータをBigQueryに集約し、AIを活用して分析するこの事例は、個人の健康管理をデータドリブンに進めるための有効なアプローチを示しています。長期的な健康データの蓄積とAIによる分析は、よりパーソナルで深い洞察を得るための強力な手段となり得ます。将来的には、さらに多様な生活ログデータを統合することで、AIとのインタラクションがより豊かになることが期待されます。

出典: https://zenn.dev/jackojacko05/articles/58e0d632be419a