Hace unos días, analizamos cómo Apple algún día podría usar sensores de ondas cerebrales en los AirPods para medir la calidad del sueño e incluso detectar convulsiones.
Ahora, un nuevo artículo muestra cómo la empresa está explorando conocimientos más profundos sobre la salud cardíaca con la ayuda de la IA. Aquí están los detalles.
Un poco de contexto
Con watchOS 26, Apple introdujo notificaciones de hipertensión en el Apple Watch.
Como lo explica la empresa:
Las notificaciones de hipertensión en Apple Watch utilizan datos del sensor cardíaco óptico para analizar cómo responden los vasos sanguíneos de un usuario a los latidos del corazón. El algoritmo funciona pasivamente en segundo plano revisando datos durante períodos de 30 días y notificará a los usuarios si detecta signos consistentes de hipertensión.
Si bien esta función está lejos de ser una herramienta de diagnóstico de grado médico, y Apple es el primero en reconocer que «las notificaciones de hipertensión no detectarán todos los casos de hipertensión», la compañía también afirma que se espera que la función «notifique a más de 1 millón de personas con hipertensión no diagnosticada durante el primer año».
Un aspecto importante de esta característica es que no se basa en mediciones instantáneas, sino en datos durante períodos de 30 días, lo que significa que sus algoritmos analizan tendencias, en lugar de producir lecturas hemodinámicas en tiempo real o estimar parámetros cardiovasculares específicos.
Y ahí es precisamente donde entra en juego este nuevo estudio de Apple.
Obtener más datos del sensor óptico
Una cosa que es importante dejar clara desde el principio: al no tiene sentido En este estudio se menciona el Apple Watch, ni tampoco cualquier afirmaciones sobre próximos productos o características.
Este estudio, como la mayoría (si no todos) los estudios que surgen del blog Machine Learning Research de Apple, se centra en la investigación fundamental y en la tecnología misma.
En este artículo en particular, llamado Modelado híbrido de fotopletismografía para monitoreo no invasivo de parámetros cardiovasculares, Apple propone «un enfoque híbrido que utiliza simulaciones hemodinámicas y datos clínicos no etiquetados para estimar biomarcadores cardiovasculares directamente a partir de señales PPG».
En otras palabras, los investigadores demuestran que es posible para estimar métricas cardíacas más profundas utilizando un simple sensor de pulso en el dedo, también conocido como fotopletismógrafo (PPG), la misma modalidad de detección óptica utilizada en el Apple Watch (aunque con diferentes características de señal).
Lo que hicieron los investigadores de Apple fue obtener un gran conjunto de datos de formas de onda de presión arterial (APW) simuladas etiquetadas y un conjunto de datos de mediciones simultáneas de APW y PPG en el mundo real.
A continuación, esencialmente entrenaron un modelo generativo para aprender cómo mapear los datos PPG al APW que ocurre simultáneamente.
Esto les permitió, en pocas palabras, inferir datos APW a partir de mediciones PPG con suficiente precisión para los propósitos del estudio.
Después de eso, alimentaron esos APW interpretados en un segundo modelo, que fue entrenado para inferir biomarcadores cardíacos, como el volumen sistólico y el gasto cardíaco, a partir de esos datos.
Lo lograron entrenando este segundo modelo con datos APW simulados, combinados con valores de parámetros cardiovasculares conocidos para el volumen sistólico, el gasto cardíaco y otras métricas.
Finalmente, generaron múltiples formas de onda APW plausibles para cada segmento PPG, infirieron los parámetros cardiovasculares correspondientes para cada uno y promediaron esos resultados para producir una estimación final junto con una medida de incertidumbre.
Los resultados
Una vez que todo el proceso de capacitación y el modelo estuvieron en marcha, eligieron un conjunto de datos completamente nuevo «que comprende señales APW y PPG de 128 pacientes sometidos a cirugía no cardíaca, etiquetados con biomarcadores cardiovasculares».
Después de analizar estos datos en el proceso, vieron que rastreaba con precisión las tendencias del volumen sistólico y del gasto cardíaco, aunque no sus valores absolutos exactos.
Aún así, su método superó a las técnicas convencionales, lo que demuestra que el modelado asistido por IA puede extraer información cardíaca más significativa a partir de un simple sensor óptico.
Aquí está la conclusión de los investigadores en sus propias palabras:
En este trabajo utilizamos un enfoque de modelado híbrido para inferir parámetros cardiovasculares a partir de señales de PPG in vivo. En comparación con los enfoques puramente basados en datos que tienen dificultades debido a la limitación de los datos etiquetados, nuestro método logra resultados prometedores al incorporar simulaciones y evitar la necesidad de anotaciones invasivas y costosas. Mientras que otros enfoques híbridos existentes para el modelado cardiovascular incorporan propiedades físicas como limitaciones estructurales dentro de las redes neuronales o aumentan los modelos fisiológicos tradicionales con componentes basados en datos, nuestro método incorpora conocimiento físico en el modelo a través de SBI. (…) Nuestros resultados contribuyen a caracterizar el contenido informativo de las señales PPG para predecir biomarcadores cardíacos y podrían extenderse más allá de los considerados en nuestros experimentos. Si bien nuestros resultados son prometedores en el seguimiento de las tendencias temporales, la predicción del valor absoluto de biomarcadores complejos sigue siendo un desafío y es una dirección clave para el trabajo futuro. El trabajo futuro también puede explorar enfoques generativos alternativos para el mapeo de PPG a APW, o investigar diferentes opciones arquitectónicas. Finalmente, una estrategia de aprendizaje similar a la utilizada aquí para la PPG del dedo podría extenderse a otras modalidades, incluida la PPG portátil, y abrir la puerta a la monitorización pasiva y a largo plazo de biomarcadores cardíacos.
Si bien es imposible saber si Apple alguna vez incorporará estas funciones en el Apple Watch, es alentador ver que los investigadores de la compañía están buscando formas novedosas de extraer datos aún más significativos y potencialmente salvadores de sensores que ya están en uso.
Puede encontrar el estudio completo en arXiv.
