Los wearables podrían predecir infecciones incluso antes de que empieces a experimentar síntomas

Aunque todavía queda un buen trecho, es posible que en el futuro tu pulsera inteligente detecte que has pillado la gripe incluso antes de que tengas síntomas o que tu wearable deportivo favorito sepa que has contraído una infección gracias a la monitorización de determinados signos vitales. 

Se acaba de publicar un nuevo estudio en JAMA Network Open que supone la evidencia más rigurosa hasta la fecha de que los monitores de salud portátiles pueden predecir infecciones, incluso antes de que se experimenten los primeros síntomas. 

Aunque la investigación sortea el principal problema que planteaban investigaciones anteriores con tamaños de muestra muy reducidos, la utilidad inmediata todavía no es posible: quedan por resolver problemas con la estandarización de los dispositivos portátiles y su prueba en poblaciones diversas.

Desde STATrecuerdan un par estudios anteriores que analizaron dispositivos portátiles como Apple Watches y Fitbit, en los que decenas de miles de personas inscritas correspondieron a cerca de 50 casos de Covid-19. 

En estos casos y otros similares, no estaba claro cuándo las personas infectadas contrajeron el virus por primera vez, limitando la capacidad de predicción de los aparatos.

Elevada eficacia de los wearables detectando gripe y resfriado común

En la nueva investigación se registraron datos biométricos de los jóvenes antes y después de que fueran inoculados con la influenza H1N1 y el rinovirus humano. Comparando a cada participante con sus métricas de referencia no infectadas, los wearables fueron capaces de detectar infecciones con hasta un 92% de precisión.

Los dispositivos también mostraron eficacia al diferenciar entre enfermedad leve y moderada con hasta un 90% de precisión.

El wearable utilizado se trató de la pulsera E4, fabricada por la empresa Empatica, que recoge datos sobre la frecuencia cardíaca, la temperatura de la piel, el movimiento y la actividad electrodérmica del usuario, una medida de la actividad eléctrica en la piel. 

Una vez expuestos a los virus, los participantes del estudio informaron síntomas diarios y los investigadores cuantificaron su diseminación viral.

El aprendizaje automático concede el poder de la precisión a este algoritmo, que fue capaz de predecir la presencia de la infección siguiendo el cambio de los datos biométricos de cada participante. 

Cuando se combinaron los datos, el algoritmo predijo correctamente la presencia de infección 12 horas después de la exposición con una precisión del 78% cuando la mediana del tiempo de aparición de los síntomas fue de 48 horas para la gripe y 36 horas para el rinovirus. 

La precisión se incrementó hasta el 92% solo para la gripe después de 24 horas, y al 88% para el rinovirus después de 36 horas, o en el momento medio en que comenzaron los síntomas. 

El modelo también predijo la gravedad de la enfermedad: moderada, leve o asintomática/no infectada con al menos un 80% de precisión 12 horas después de la exposición viral.

El descubrimiento se perfila como "una herramienta de salud pública muy útil" para una enfermedad como Covid-19", apunta Jennifer Radin, epidemióloga del Scripps Research Translational Institute que no participó en la investigación. Su utilidad es especialmente significativa para casos presintomáticos y asintomáticos. 

El ejército estadounidense ya emplea la pulsera E4 de Empatica para un sistema de detección del coronavirus llamado Aura, que combina el wearable con un algoritmo y una aplicación que brinda a los usuarios una evaluación diaria de riesgos. 

La empresa planea solicitar la aprobación de la Administración de Alimentos y Medicamentos para usar el dispositivo para diagnosticar Covid-19, en paralelo con un ensayo clínico en curso. 

Largo camino todavía por delante

Según los investigadores todavía falta trabajo para evaluar cualquier dispositivo portátil como detector del coronavirus. 

"Los datos biométricos siguen un ritmo circadiano, lo que dificulta detectar las señales del ruido sin suficientes lecturas de referencia", explica Emilia Grzesiak, primera autora del estudio y científica de datos del Laboratorio Nacional Lawrence Livermore. 

También es importante entrenar a los algoritmos de aprendizaje automático en muestras representativas de la población, capacitándolos para que no haya falsos positivos. Por ejemplo, las mujeres suelen tener una temperatura cutánea más alta cuando están menstruando.

También deben solucionar el peor funcionamiento de las luces para recopilar datos biométricos en personas negras, y salvaguardar la brecha digital en personas con peor acceso a la tecnología portátil.

El propósito de los sensores biométricos no es reemplazar los métodos de diagnóstico clínico, sino complementar a los mismos para priorizar la asignación y ordenar la obtención de pruebas de PCR o antígenos.