Las tecnologías móviles demostraron durante la pandemia ser una realidad para la predicción de riesgos de contagios de COVID-19.
La pandemia de COVID-19, hizo evidente la importancia de la predicción de riesgos ante eventos relevantes en la salud pública. Por ello desde el 2020, se realizaron diversas intervenciones en todo el mundo, que incorporaron el uso de encuestas de síntomas auto informados, monitoreo de síntomas, medición de variables por medio de dispositivos, entre otros. Un estudio reciente mostró el desarrollo de un algoritmo basado en aprendizaje automático, para predecir el riesgo de infección por COVID-19 utilizando datos biométricos de wearables y encuestas de síntomas.
El objetivo del estudio fue aumentar la eficiencia de la asignación de pruebas al rastrear la propagación de enfermedades en entornos con recursos limitados. Por ello dispositivos como wearables o relojes inteligentes, brazaletes o incluso anteojos, son herramientas que poco a poco han sido adoptadas por una buena parte de la población. La mayoría de los dispositivos portátiles inteligentes como estos, son capaces de registrar y analizar marcadores de salud a través de sensores biométricos.
Estudios como: “Un método para la asignación inteligente de pruebas de diagnóstico mediante el aprovechamiento de datos de dispositivos portátiles comerciales: un estudio de caso sobre COVID-19″publicado por Shandhi et al. en npj Digital Medicine, destacan el uso de modelos para la predicción de riesgos utilizando datos de biomarcadores digitales de dispositivos portátiles y encuestas de síntomas. Este modelo fue validado por separado utilizando tres cohortes: participantes con valores diarios informados solo por dispositivos móviles y de alta frecuenta; participantes con datos de alta frecuencia y pacientes con datos del dispositivo Fitbit de alta frecuencia únicamente.
De esta manera, este estudio demostró que la aplicación del modelo permite asignar recursos de pruebas de diagnóstico de manera más eficiente. Asimismo, su tasa de positividad en las pruebas de diagnóstico sugiere que el modelo podría ser exitoso incluso si es ejecutado de manera masiva o a gran escala.
Asimismo, especialistas de la Facultad de Medicina de Harvard, reconocen las limitaciones de este tipo de enfoques, como el uso de dispositivos portátiles diferentes, y la falta de procesos estandarizados para que la información recopilada por los diversos modelos de dispositivos fuera homogénea.
De igual forma, la aplicación de modelos basados en algoritmos para la predicción de riesgos puede generar ahorros en los sistemas de salud locales, estatales e incluso nacionales. “En términos de implementación, dado el potencial de la medicina preventiva para disminuir el gasto en atención médica y disminuir la carga de la enfermedad, los modelos de predicción de riesgo podrían ser subsidiados y/o implementados por las agencias de salud pública”, explican especialistas en un artículo editorial publicado en Nature.
En este sentido, explican que la predicción de riesgos impulsada por IA tiene implicaciones más amplias en la atención médica, para diagnósticos, pronósticos y mejoras en la toma de decisiones clínicas.
Learn more at the following link: https://www.nature.com/articles/s41746-022-00701-x
