Una revisión de alcance analizó 17 estudios sobre wearables habilitados con IA y encontró que la mayoría se enfoca en reconocer el momento en que una persona toma su medicamento, mientras que la predicción de riesgo de incumplimiento y la intervención personalizada permanecen prácticamente inexploradas.
Un artículo publicado en npj Digital Medicine en asociación con el Seoul National University Bundang Hospital, presenta una revisión de alcance sobre el uso de dispositivos portátiles habilitados con inteligencia artificial (IA) para la gestión de la adherencia a medicamentos. El trabajo fue realizado por investigadores de instituciones de China.
La falta de adherencia a los tratamientos farmacológicos continúa representando un desafío de salud pública a nivel global, con una carga clínica y económica considerable. De acuerdo con los autores, estudios recientes han reportado tasas de incumplimiento superiores a 40% en enfermedad cardiovascular, enfermedad respiratoria crónica y diabetes. Una adherencia deficiente puede reducir la eficacia del tratamiento, provocar complicaciones y derivar en desenlaces adversos, incluyendo mayores tasas de hospitalización y mortalidad por cualquier causa.
Los dispositivos portátiles o wearables, entre ellos relojes inteligentes, pulseras y parches con sensores, ofrecen nuevas posibilidades para abordar este problema, al recopilar de forma continua información sobre movimiento y características biológicas de los usuarios. La revisión buscó sintetizar la evidencia disponible sobre estos dispositivos combinados con IA, enfocándose en sus aplicaciones, su desempeño técnico y su traducción a la práctica clínica.
El equipo revisó tres bases de datos, PubMed, Web of Science e IEEE Xplore, con búsquedas hasta el 18 de septiembre de 2025. De 6,102 registros identificados inicialmente, 17 estudios cumplieron los criterios de inclusión, publicados entre 2016 y 2025, con 14 de ellos concentrados a partir de 2021. Estados Unidos fue el país con mayor número de publicaciones, con ocho de los 17 estudios. Los tamaños de muestra oscilaron entre ocho y 102 participantes, con poblaciones que incluyeron desde voluntarios sanos hasta personas con diabetes, hipertensión, rinitis alérgica, cáncer de mama y enfermedad mental grave.
En cuanto a la tecnología empleada, los relojes inteligentes fueron la plataforma predominante, con dispositivos comerciales como Apple Watch, TicWatch y Polar M600 en la mayoría de los casos. A nivel de sensores, los más utilizados fueron los de movimiento, como acelerómetros, giroscopios y magnetómetros, empleados para captar gestos relacionados con la toma de medicamentos. Algunos estudios combinaron sensores de movimiento con sensores ingeribles colocados dentro de las píldoras, mientras que otros incorporaron sensores de visión mediante cámaras integradas en los dispositivos.
Los modelos de IA utilizados abarcaron desde técnicas de aprendizaje automático tradicional, como bosques aleatorios y máquinas de vectores de soporte, hasta arquitecturas de aprendizaje profundo, entre ellas redes neuronales convolucionales y redes de memoria a largo y corto plazo. La aplicación predominante en los estudios revisados fue el reconocimiento de gestos y eventos de ingesta de medicamentos, es decir, distinguir cuándo una persona efectivamente toma su medicamento frente a otras actividades cotidianas. Solo dos estudios se enfocaron en la evaluación y caracterización de patrones de adherencia a lo largo del tiempo, y únicamente uno investigó directamente la predicción de riesgo de dosis omitidas, utilizando datos fisiológicos recolectados de forma pasiva. Ningún estudio evaluó el uso de estos dispositivos para diseñar intervenciones personalizadas.
En los 13 estudios que realizaron validación interna, los modelos de IA generalmente alcanzaron métricas de desempeño favorables. Por ejemplo, un modelo denominado SFOA-Bi-LSTM logró una exactitud media de 98.90%, y una red neuronal basada en memoria a largo y corto plazo alcanzó una exactitud de 93.6% para la detección de eventos de toma de medicamentos. Sin embargo, ninguno de los 17 estudios realizó validación externa en un conjunto de datos independiente, lo que según los autores limita la confianza en la capacidad de estos modelos para funcionar de manera consistente fuera de las condiciones controladas en las que fueron desarrollados.
Solo dos de los estudios incluidos evaluaron desenlaces clínicos directamente vinculados con la salud del paciente. Un ensayo clínico aleatorizado piloto mostró que una intervención con reloj inteligente mejoró de forma significativa las tasas de adherencia y el control de síntomas en pacientes con rinitis alérgica. Otro estudio encontró que la adherencia medida mediante reloj inteligente, a diferencia del autorreporte por aplicación, mostró una correlación significativa con niveles séricos más altos de vitamina D.
Los autores señalan diversas limitaciones en la evidencia disponible, entre ellas tamaños de muestra pequeños y homogéneos, validez ecológica restringida debido a que buena parte de los estudios se realizaron en entornos controlados o con gestos simulados, y ausencia de evaluación a largo plazo. Además, ninguno de los estudios incluidos realizó un análisis formal de costo-beneficio, y aunque 14 de ellos obtuvieron aprobación de comités de ética y consentimiento informado de los participantes, pocos abordaron de manera amplia cuestiones relacionadas con la privacidad, la vigilancia, la seguridad de los datos y el acceso equitativo a la tecnología.
Los investigadores concluyen que, si bien los dispositivos portátiles habilitados con IA han mostrado potencial en el reconocimiento de eventos de toma de medicamentos, la evaluación de la adherencia y esfuerzos incipientes hacia la predicción de riesgo de incumplimiento, la mayoría de los estudios permanece concentrada en el desarrollo tecnológico y la validación interna. Recomiendan que la investigación futura se oriente hacia la predicción prospectiva de riesgo, la intervención personalizada, la validación externa en poblaciones diversas y la integración con los sistemas de información clínica, como condiciones necesarias para que esta tecnología pueda respaldar la toma de decisiones clínicas de forma rutinaria en el manejo de la adherencia a medicamentos.
