¿Puede un reloj inteligente anticipar riesgos de salud? La doctoranda Marta Arbizu Gómez presenta cómo el modelo de inteligencia artificial SensorFM utiliza datos de wearables para analizar patrones fisiológicos y su impacto en la evaluación clínica y neuropsicológica.
La integración de la inteligencia artificial y los dispositivos wearables está transformando la recopilación continua de datos de salud. Este artículo analiza el potencial clínico de SensorFM, un nuevo modelo fundacional que convierte el registro de biomarcadores digitales en información relevante para la neurorrehabilitación y la evaluación cognitiva. Descubre cómo la monitorización fisiológica pasiva de variables como el sueño, la actividad o el estado emocional puede complementar la intervención tradicional y abrir nuevas vías para el seguimiento clínico personalizado.
¿Qué información puede extraerse de un dispositivo wearable?
Los relojes y pulseras inteligentes registran continuamente información sobre nuestra actividad física y nuestro funcionamiento fisiológico. A lo largo del día pueden medir el movimiento, la frecuencia cardiaca, la variabilidad del ritmo cardíaco, la saturación de oxígeno, la temperatura de la piel, la actividad electrodérmica o las distintas fases del sueño.
Sin embargo, convertir estas señales en información clínicamente útil sigue siendo un desafío. Las medidas obtenidas pueden variar entre personas, dispositivos y momentos del día, y los datos suelen presentar interrupciones cuando el usuario se quita el reloj, se agota la batería o algún sensor deja de registrar correctamente.
Además, desarrollar un algoritmo diferente para cada problema de salud requiere disponer de grandes cantidades de datos correctamente etiquetados, algo especialmente difícil y costoso en el ámbito sanitario.
Para superar estas limitaciones, un equipo de Google Research y otras instituciones ha desarrollado SensorFM, un modelo fundacional de inteligencia artificial entrenado para aprender representaciones generales de la salud a partir de datos procedentes de dispositivos wearables. El estudio, publicado como preprint, analiza si un único modelo puede aprovechar estas señales para realizar predicciones relacionadas con diferentes áreas de la salud.
¿Qué es un modelo fundacional para datos de salud?
Los modelos fundacionales se entrenan con cantidades masivas de información, normalmente sin necesidad de que cada dato tenga asociada una etiqueta específica. Durante este proceso, el modelo aprende patrones generales que después pueden adaptarse a múltiples tareas.
SensorFM sigue este enfoque, pero en lugar de aprender a partir de textos o imágenes, utiliza series temporales registradas por sensores.
El modelo fue preentrenado con:
- Más de un billón de minutos de datos.
- Información procedente de cinco millones de personas.
- Participantes de más de 100 países.
- Más de 20 modelos de dispositivos Fitbit y Pixel Watch.
- Cinco tipos principales de sensores: fotopletismografía, acelerómetro, temperatura cutánea, actividad electrodérmica y altímetro.
A partir de estos sensores, los investigadores obtuvieron 34 variables registradas cada minuto, entre ellas la frecuencia cardiaca, distintas medidas de variabilidad cardiaca, la saturación de oxígeno, los pasos, la temperatura de la piel y las fases del sueño.
El modelo analizaba ventanas completas de 24 horas y aprendía a reconstruir partes de la información que habían sido ocultadas artificialmente. De este modo, no solo aprendía los valores individuales de cada señal, sino también sus relaciones y su evolución a lo largo del día.
¿Qué querían descubrir los investigadores?
El estudio se centró en tres preguntas principales:
- En primer lugar, los autores querían comprobar si aumentar simultáneamente la cantidad de datos y el tamaño del modelo producía mejoras predecibles en su rendimiento.
- En segundo lugar, evaluaron si las representaciones aprendidas podían reutilizarse para predecir diferentes aspectos de la salud, incluso cuando se disponía de pocas muestras etiquetadas.
- Por último, analizaron si las predicciones de SensorFM podían integrarse en un asistente personal de salud basado en inteligencia artificial para generar respuestas más relevantes, personalizadas y seguras.
Para evaluar el modelo utilizaron información independiente de 13.985 participantes, procedente de tres estudios prospectivos centrados en salud metabólica y cardiovascular, salud mental y sueño.
Un mismo modelo para 35 tareas relacionadas con la salud
SensorFM fue evaluado en 35 tareas diferentes, agrupadas en seis grandes áreas:
- Salud cardiovascular.
- Salud metabólica.
- Salud mental.
- Sueño.
- Estilo de vida.
- Características demográficas y fisiológicas.
Entre las variables analizadas se encontraban el riesgo cardiovascular, la hipertensión, la diabetes, la resistencia a la insulina, los niveles de hemoglobina glucosilada y triglicéridos, la depresión, la ansiedad, el estrés percibido y las alteraciones del sueño.
El modelo también fue utilizado para estimar características como la edad, el índice de masa corporal, la altura y el peso. Estas variables no deben interpretarse necesariamente como objetivos clínicos en sí mismos, sino como una forma de comprobar cuánta información fisiológica y conductual había aprendido el sistema.
¿Cuáles fueron los principales resultados?
Los resultados muestran que el modelo aprendió una representación generalizable de la fisiología y el comportamiento registrados mediante wearables.
SensorFM superó a los modelos supervisados tradicionales basados en variables diseñadas manualmente en 34 de las 35 tareas evaluadas. Es decir, las representaciones aprendidas directamente a partir de grandes cantidades de datos resultaron más informativas que los resúmenes convencionales calculados sobre las mismas señales.
Además, el rendimiento mejoró a medida que aumentaban conjuntamente el número de participantes utilizados durante el entrenamiento y la capacidad del modelo. La versión más grande obtuvo los mejores resultados en 33 de las 35 tareas.
Los autores observaron también que los modelos de mayor tamaño dependían menos de la información demográfica añadida posteriormente. Esto sugiere que parte de las diferencias fisiológicas asociadas a variables como la edad o el índice de masa corporal ya podían estar representadas en los patrones registrados por los sensores.
Aprender con menos datos clínicamente etiquetados
Uno de los resultados más relevantes fue la capacidad del modelo para adaptarse a nuevas tareas utilizando relativamente pocos datos etiquetados.
En investigación sanitaria, obtener información continua mediante un reloj inteligente es relativamente sencillo, pero conseguir diagnósticos confirmados, análisis de sangre o cuestionarios clínicos completos resulta mucho más costoso.
Al haber aprendido previamente patrones generales a partir de millones de participantes, SensorFM necesitaba menos ejemplos etiquetados para desarrollar nuevos modelos predictivos. Esta eficiencia podría facilitar la investigación de problemas de salud para los que existen cohortes clínicas pequeñas o información limitada.
No obstante, la precisión seguía aumentando al disponer de más datos etiquetados, por lo que el modelo no elimina la necesidad de contar con muestras clínicas representativas y correctamente caracterizadas.
¿Puede reconstruir los datos que faltan?
Los datos de los dispositivos wearables suelen estar incompletos. El usuario puede quitarse el reloj durante una parte del día, algún sensor puede desconectarse o las señales pueden presentar errores.
SensorFM fue entrenado específicamente para trabajar con esta falta de información. En las pruebas realizadas, superó a los métodos de referencia en diferentes tareas de reconstrucción:
- Un 74,8% en la imputación de datos eliminados aleatoriamente.
- Un 38,8% en la reconstrucción de intervalos temporales intermedios.
- Un 39,6% en la predicción de intervalos situados al final del registro.
- Un 83,7% cuando faltaban señales completas de determinados sensores.
Los investigadores simularon también la pérdida de una hora completa de datos. Tras reconstruir ese intervalo, el modelo mantuvo una precisión del 99,7% en la estimación del número diario de pasos, del 99,9% en el tiempo de sueño profundo y del 99,2% en los minutos de ejercicio ligero.
Esta capacidad podría evitar que una interrupción puntual distorsione los resúmenes diarios ofrecidos al usuario.
Agentes de inteligencia artificial para adaptar el modelo
Aunque las representaciones aprendidas por SensorFM podían utilizarse con modelos estadísticos relativamente sencillos, los investigadores exploraron también una estrategia automatizada para mejorar su adaptación a cada tarea.
Para ello crearon una especie de “aula” formada por varios agentes basados en modelos de lenguaje. Estos agentes generaban código, entrenaban diferentes soluciones, comparaban los resultados y modificaban progresivamente sus propuestas.
En total, el sistema realizó más de 30.000 experimentos automáticos.
Las soluciones encontradas por los agentes mejoraron el rendimiento respecto a los modelos lineales en 16 de las 20 tareas de clasificación y en 12 de las 15 tareas de regresión.
Este resultado apunta a una posible automatización parcial del proceso de desarrollo de modelos predictivos. Sin embargo, las soluciones generadas deben seguir siendo revisadas y validadas rigurosamente, especialmente cuando se aplican a información sanitaria.
De los datos del reloj a un asistente personal de salud
Los investigadores integraron posteriormente las predicciones de SensorFM en un asistente personal de salud basado en un modelo de lenguaje.
El objetivo era comprobar si el asistente podía responder mejor a preguntas sobre la salud cuando, además de conocer los datos demográficos y los resúmenes diarios del wearable, disponía de las estimaciones generadas por SensorFM.
Se utilizaron 31 perfiles reales y se generaron respuestas bajo tres condiciones:
- Datos demográficos y métricas diarias del wearable.
- Datos demográficos, métricas diarias y predicciones de SensorFM.
- Datos demográficos, métricas diarias y valores clínicos reales.
La imagen 1 resume el funcionamiento del sistema y el diseño de la evaluación. SensorFM transforma los datos registrados por el wearable en predicciones de salud que se incorporan como contexto adicional al asistente antes de generar una respuesta personalizada.
Cuatro profesionales sanitarios evaluaron las respuestas en función de su contexto, relevancia, personalización, justificación y riesgo potencial. En total se obtuvieron 1.860 valoraciones clínicas.
Las respuestas que incorporaban las predicciones de SensorFM fueron significativamente mejores que aquellas basadas únicamente en los resúmenes diarios. Además, no se encontraron diferencias estadísticamente significativas entre las respuestas generadas con las predicciones del modelo y las que utilizaban los valores clínicos reales.
Este resultado no significa que SensorFM pueda sustituir una evaluación médica. Indica que sus predicciones proporcionaron al asistente un contexto adicional útil para generar respuestas más específicas y coherentes.
¿Qué limitaciones presenta el estudio?
A pesar de la magnitud de los datos utilizados, los resultados deben interpretarse con cautela.
En primer lugar, el trabajo es un preprint, por lo que todavía no ha completado el proceso convencional de revisión por pares.
El modelo fue entrenado principalmente con dispositivos Fitbit y Pixel Watch. No está garantizado que funcione igual con otros fabricantes, cuyos sensores y métodos de procesamiento pueden ser diferentes.
Además, se utilizaron variables agregadas cada minuto y no las señales fisiológicas originales. Esto permite analizar periodos prolongados, pero puede eliminar información de alta frecuencia relevante para algunas aplicaciones clínicas.
Parte de los resultados empleados para evaluar el modelo procedía de diagnósticos autoinformados, medicación o cuestionarios de cribado, y no siempre de diagnósticos clínicos confirmados. También existían diferencias entre la población estudiada y la población general, con una mayor representación de mujeres y usuarios de dispositivos wearables.
Por último, la evaluación del asistente personal de salud se limitó a respuestas estáticas y de un solo turno. Una interacción clínica real requeriría preguntas adicionales, revisión del contexto y seguimiento longitudinal.
¿Qué implicaciones puede tener para la salud digital?
Este estudio plantea una transición desde algoritmos creados para una única tarea hacia modelos generales capaces de reutilizar la misma representación para diferentes problemas de salud.
Los wearables ofrecen una visión longitudinal del funcionamiento cotidiano, frente a las mediciones puntuales realizadas durante una consulta. Combinados con modelos adecuadamente validados, podrían ayudar a identificar cambios fisiológicos o conductuales, seleccionar a las personas que necesitan una evaluación más profunda y realizar un seguimiento más continuo.
En el ámbito de la neurología y la neuropsicología, este tipo de tecnología podría resultar especialmente interesante para estudiar modificaciones en el sueño, la actividad, las rutinas diarias, la respuesta autonómica o el estado emocional. Estos cambios pueden acompañar a distintas enfermedades neurológicas y psiquiátricas, aunque las predicciones obtenidas mediante wearables no deben considerarse diagnósticos.
¿Cómo puede contribuir NeuronUP?
La información pasiva obtenida mediante wearables puede complementarse con evaluaciones cognitivas y programas de intervención estructurados.
Plataformas como NeuronUP permiten evaluar y trabajar dominios como la atención, la memoria, las funciones ejecutivas, el lenguaje o la cognición social. La combinación futura de métricas cognitivas con datos longitudinales sobre sueño, actividad y fisiología podría proporcionar una visión más completa de la evolución de cada persona.
Esta integración podría facilitar la personalización de las intervenciones, la detección de cambios funcionales y el seguimiento de la respuesta al tratamiento. Para ello serán necesarios estudios clínicos específicos, modelos interpretables y protocolos que garanticen la privacidad, la equidad y la seguridad de los usuarios.
Conclusión
SensorFM demuestra que el entrenamiento a gran escala con datos no etiquetados de dispositivos wearables puede generar representaciones útiles para múltiples áreas de la salud.
El modelo superó a los métodos tradicionales en la mayoría de las tareas analizadas, pudo reconstruir datos ausentes y aportó información adicional a un asistente personal de salud. Sin embargo, sus predicciones deben entenderse como herramientas potenciales de cribado, estratificación del riesgo y seguimiento, no como sustitutos del diagnóstico clínico.
Los resultados representan un paso hacia sistemas capaces de transformar grandes cantidades de datos cotidianos en información personalizada. El desafío ahora será demostrar que estas herramientas mantienen su precisión, seguridad y utilidad cuando se aplican a poblaciones clínicas diversas y a contextos sanitarios reales.
Bibliografía
- Narayanswamy G, Xu MA, Heydari AA, et al. Towards a General Intelligence and Interface for Wearable Health Data. arXiv. 2026. https://doi.org/10.48550/arXiv.2605.22759
Preguntas frecuentes sobre la IA y wearables en neurorrehabilitación
1. ¿Qué es el modelo SensorFM y cómo se aplica en la salud digital?
SensorFM es un modelo fundacional de inteligencia artificial, desarrollado por Google Research y otras instituciones, entrenado con más de un billón de minutos de datos procedentes de wearables. Aprende patrones generales a partir de bioseñales para realizar predicciones aplicables a múltiples tareas de salud, abarcando desde la calidad del sueño hasta indicadores de salud metabólica y mental.
2. ¿Qué ventajas aportan los biomarcadores digitales a la neurorrehabilitación?
Los relojes y pulseras inteligentes proporcionan una visión longitudinal y continua del funcionamiento diario del usuario, registrando métricas como la variabilidad del ritmo cardiaco, las fases del sueño o la actividad física. Esta monitorización pasiva complementa las evaluaciones puntuales en consulta, permitiendo a los neuropsicólogos identificar cambios sutiles en las rutinas, la respuesta autonómica o el estado emocional asociados a diversas patologías.
3. ¿Cómo soluciona la inteligencia artificial la pérdida de datos en los relojes inteligentes?
Los datos de los wearables suelen presentar interrupciones por fallos de batería o porque el usuario se quita el dispositivo. Modelos como SensorFM están entrenados para reconstruir esta información ausente; en simulaciones donde faltaba una hora completa de registro, el sistema mantuvo una precisión superior al 99% en la estimación del sueño profundo y los pasos diarios.
4. ¿Pueden las predicciones de los wearables sustituir al diagnóstico clínico?
No, las variables estimadas por los modelos fundacionales a partir de wearables no constituyen objetivos o diagnósticos clínicos por sí mismos. Funcionan como herramientas de cribado y seguimiento que proporcionan contexto adicional valioso para personalizar intervenciones, pero deben integrarse siempre con evaluaciones clínicas estructuradas y la supervisión de un profesional sanitario.
Terapia ocupacional en una unidad de cáncer de mama
Deja una respuesta