{"id":9356,"date":"2020-08-27T09:56:40","date_gmt":"2020-08-27T14:56:40","guid":{"rendered":"https:\/\/saluddigital.com\/?p=9356"},"modified":"2025-10-21T14:34:09","modified_gmt":"2025-10-21T20:34:09","slug":"estudio-preliminar-evaluo-signos-fisiologicos-asociados-a-covid-19-a-traves-de-wearables","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/comunidades-conectadas\/estudio-preliminar-evaluo-signos-fisiologicos-asociados-a-covid-19-a-traves-de-wearables\/","title":{"rendered":"Preliminary study evaluated physiological signs associated with COVID-19 through wearables"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

A study still under review studied the physiological signs associated with this disease through mobile devices known as wearables, to predict possible hospitalization in patients with COVID-19.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Thanks to this type of mobile devices it is possible to evaluate easily measurable health metrics such as rate to breathing, heart rate and heart rate variability. In addition, these wearables<\/em> are regularly connected to smartphones, allowing to collect demographic data and perform a symptom monitoring on users.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

For these reasons, smart devices, whether bracelets or phones, play an important role in research and decision-making by health authorities, as has happened in the UK with its COVID Symptom Study<\/em><\/a> application that allowed to identify mass contagions and more frequent symptoms. \u00a0<\/p>

In the study called: Assessment of physiological signs associated with COVID-19 measured using wearable devices <\/em>que se encuentra en proceso de peer review <\/em>data were collected from 1,181 patients with active SARS-CoV-2 virus infection between 21 May and 14 July this year.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Researchers trained a logistic regression classifier to predict the possible need for hospitalization of patients, according to the symptoms experienced, age, sex, and Body Mass Index (BMI). They then trained a neural network classifier to predict on specific days whether a person is sick by measuring their breathing rate and heart rate variability data for that day and the previous four days.<\/p>

Of the above patients 11% had no symptoms, 47.2% recovered at home without specific treatment and 33.2% recovered at home with the help of another person. For inpatients 8.16% of patients required hospitalization without artificial respiration and 0.44% required a ventilator.<\/p>

Regarding symptoms experienced by patients, 54% developed a fever. Finally, according to the data that the patients recorded about their symptoms obtained, an AUC (area under the curve) of .077 +\/- 0.05 for the prediction of need for hospitalization and according to the physiological data collected by the device and obtained an AUC of 0.77 +\/- 0.03 for the prediction of disease on a specific day.<\/p>

In conclusion, researchers Aravind Natarajan, Hao-Wei Su and Conor Heneghan believe that the metrics and devices used for this study may help to know an early diagnosis of the disease, as heart rate and respiratory rate rises due to disease while heart rate variability drops.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tBIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

MEDRXIV<\/strong><\/p>

https:\/\/www.medrxiv.org\/content\/10.1101\/2020.08.14.20175265v1.full.pdf<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

En un estudio a\u00fan en revisi\u00f3n se estudiaron los signos fisiol\u00f3gicos asociados a esta enfermedad a trav\u00e9s de dispositivos m\u00f3viles conocidos como wearables, para predecir una posible hospitalizaci\u00f3n en pacientes con COVID-19. Gracias a este tipo de dispositivos m\u00f3viles es posible evaluar m\u00e9tricas de salud f\u00e1cilmente medibles como la frecuencia a respiratoria, la frecuencia card\u00edaca y la variabilidad de la frecuencia card\u00edaca. Adem\u00e1s de esto los wearables regularmente est\u00e1n conectados a tel\u00e9fonos inteligentes, lo que permite recopilar datos demogr\u00e1ficos y realizar un monitoreo de s\u00edntomas en los usuarios. Por estas razones los dispositivos inteligentes, sean pulseras o tel\u00e9fonos, juegan un papel importante en la investigaci\u00f3n y en la toma de decisiones por parte de autoridades sanitarias, como ha ocurrido en Reino Unido con su aplicaci\u00f3n COVID Symptom Study que permiti\u00f3 identificar contagios masivos y s\u00edntomas m\u00e1s frecuentes.   En el estudio denominado: Evaluaci\u00f3n de los signos fisiol\u00f3gicos asociados con COVID-19 medidos con wearables que se encuentra en proceso de peer review o revisi\u00f3n por pares, se recopilaron datos de 1,181 pacientes con infecci\u00f3n activa por virus SARS-CoV-2 entre el 21 de mayo y 14 de julio de este a\u00f1o. Los investigadores entrenaron un clasificador de regresi\u00f3n log\u00edstica para predecir la posible necesidad de hospitalizaci\u00f3n de pacientes, de acuerdo a los s\u00edntomas experimentados, edad, sexo, e \u00cdndice de Masa Corporal (IMC). Posteriormente entrenaron un clasificador de redes neuronales para predecir en d\u00edas espec\u00edficos si una persona est\u00e1 enferma al medir su frecuencia respiratoria y datos de variabilidad de la frecuencia cardiaca de ese d\u00eda y los cuatro d\u00edas previos. De los pacientes mencionados anteriormente 11% no presentaron s\u00edntomas, el 47.2% se recuperaron en casa sin tratamiento espec\u00edfico y el 33.2% se recuperaron en casa con ayuda de otra persona. En cuanto a pacientes hospitalizados el 8.16% de los pacientes requiri\u00f3 hospitalizaci\u00f3n sin respiraci\u00f3n artificial y un 0.44% requiri\u00f3 ventilador. Respecto a los s\u00edntomas experimentados por los pacientes, el 54% present\u00f3 fiebre. Finalmente, de acuerdo a los datos que los pacientes registraron sobre sus s\u00edntomas obtuvieron, un AUC (\u00e1rea bajo la curva) de .077 +\/- 0.05 para la predicci\u00f3n de necesidad de hospitalizaci\u00f3n y de acuerdo a los datos fisiol\u00f3gicos recopilados por el dispositivo y obtuvieron un AUC de 0.77 +\/- 0.03 para la predicci\u00f3n de enfermedad en d\u00eda espec\u00edfico. En conclusi\u00f3n, los investigadores Aravind Natarajan, Hao-Wei Su y Conor Heneghan consideran que las m\u00e9tricas y los dispositivos utilizados para este estudio pueden ayudar a conocer un diagn\u00f3stico temprano de la enfermedad, ya que el ritmo cardiaco y el ritmo respiratorio se eleva debido a la enfermedad mientras que la variabilidad de frecuencia cardiaca desciende. BIBLIOGRAF\u00cdA MEDRXIV https:\/\/www.medrxiv.org\/content\/10.1101\/2020.08.14.20175265v1.full.pdf<\/p>","protected":false},"author":1,"featured_media":9357,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[154,155,3401,1418],"tags":[145],"class_list":["post-9356","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-comunidades-conectadas","category-el-mundo-en-la-nube","category-iotapps","category-resena-de-publicaciones-cientificas","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/9356","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=9356"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/9356\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/9357"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=9356"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=9356"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=9356"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}