Population differences in wearable device wear time: Rescuing data to address biases and advance health equity

Utilizando datos de 11,901 participantes del programa All of Us, este estudio identifica disparidades demográficas y de salud en el tiempo de uso de dispositivos wearables, demuestra que los umbrales de cumplimiento actuales excluyen desproporcionadamente a poblaciones enfermas y propone un marco metodológico flexible para mitigar estos sesgos y promover la equidad en la investigación de salud digital.

Lo esencial

¡Claro que sí! Imagina que este estudio es como un gran detective que investiga por qué algunas personas dejan de usar sus relojes inteligentes (como los Fitbit) y cómo eso puede engañarnos si no somos cuidadosos al analizar los datos.

Aquí tienes la explicación en español, con analogías sencillas:

🕵️‍♂️ El Gran Misterio: ¿Por qué se quitan el reloj?

Imagina que tienes una fiesta gigante con 11,901 invitados (los participantes del estudio "All of Us"). A todos les diste un reloj inteligente para que midiera sus pasos y sueño. El objetivo era ver cómo estaba la salud de la gente.

Pero, ¡oh sorpresa! Algunos invitados se quitaron el reloj muy a menudo, otros lo llevaban todo el día, y algunos lo llevaban solo unas horas.

El estudio descubre que quién se quita el reloj no es al azar. Es como si el reloj tuviera una "personalidad" que cambia según quién lo lleve:

• Los mayores y los hombres tendían a llevarlo más tiempo (como si fueran los invitados más disciplinados).
• Las personas con más dinero y estudios también lo llevaban más (quizás porque tienen menos preocupaciones urgentes que les quiten el tiempo).
• Las personas con depresión, ansiedad o tristeza se lo quitaban mucho más. ¡Es como si el reloj les recordara una tarea que no tenían ganas de hacer!

⚠️ El Problema: La Regla del "10 Horas"

Aquí viene la parte importante. Los científicos, al analizar los datos, solían usar una regla estricta: "Si el reloj no estuvo puesto al menos 10 horas en un día, borramos ese día de los registros".

Imagina que estás contando cuántas manzanas come la gente en una fiesta. Si alguien solo come una manzana porque estaba enfermo, tú decides: "¡Esa persona no comió lo suficiente! Borro su plato de la cuenta".

El problema es que esto es injusto:

• Si borras los días en que la gente con depresión se quitó el reloj, estás borrando justo la información más importante sobre su enfermedad.
• El estudio descubrió que con la regla de las 10 horas, borraban el 74% de los datos de las personas con depresión, pero solo el 21% de los datos de las personas sanas.
• Es como si, al estudiar la salud, decidieras ignorar a los pacientes más enfermos solo porque no pudieron seguir la regla de "llevar el reloj todo el día".

💡 La Solución: Un Nuevo Mapa para no Perder Datos

Los autores dicen: "¡Alto! No podemos tirar esos datos". En lugar de tirarlos, proponen nuevas formas de mirar la información, como si fueran diferentes lentes para ver la realidad:

1. El Lente de "Ajuste" (Covariate Adjustment): En lugar de borrar los días cortos, los científicos dicen: "Ok, este día fue corto, pero sabemos que la persona estaba triste, así que lo contamos, pero le damos un 'peso' diferente en la matemática". Así, no pierdes a nadie.
2. El Lente de "Velocidad" (Metric Normalization): Imagina que en lugar de contar "cuántos pasos dio en total", cuentas "cuántos pasos dio por cada hora que llevó el reloj". Así, si alguien llevó el reloj solo 2 horas pero caminó mucho, sigue siendo válido.
3. El Lente de "Equilibrio" (Propensity Matching): Intentas emparejar a la gente que lleva el reloj poco con gente sana que también lleva el reloj poco, para comparar "manzanas con manzanas" y no "manzanas con naranjas".
4. El Lente Flexible (Adaptive Thresholds): En lugar de exigir siempre 10 horas, preguntas: "¿Qué pasa si exigimos solo 6 horas?". A veces, bajar la barra un poco permite ver datos que antes estaban ocultos, sin perder la calidad.

🏁 La Lección Principal

Este estudio nos enseña dos cosas muy importantes:

1. El tiempo que llevas el reloj es una señal de salud en sí misma. Si alguien con depresión se quita el reloj, eso es un dato médico importante. No es un error, es información.
2. Para ser justos (equidad), no podemos usar las mismas reglas para todos. Si usamos reglas muy estrictas, terminamos estudiando solo a la gente rica, sana y disciplinada, y olvidamos a los que más necesitan ayuda.

En resumen: Los relojes inteligentes son herramientas increíbles, pero si no sabemos cómo leer los datos de quienes se los quitan (porque están enfermos, tristes o tienen menos recursos), estamos dejando fuera a la mitad de la historia. Este estudio nos da las herramientas para escuchar a todos los invitados de la fiesta, no solo a los que bailan todo el día.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los componentes solicitados:

Título: Diferencias poblacionales en el tiempo de uso de dispositivos portátiles: Rescate de datos para abordar sesgos y avanzar en la equidad en salud

1. El Problema

Los dispositivos portátiles (wearables) ofrecen oportunidades transformadoras para la atención médica personalizada mediante la monitorización continua de biomarcadores digitales. Sin embargo, existe un problema metodológico crítico: la variabilidad individual en el tiempo de uso (wear time) de estos dispositivos puede enmascarar o distorsionar la identificación de señales clínicas.

• Sesgo de Selección: La práctica estándar en la investigación actual es filtrar los datos excluyendo los días que no cumplen con un umbral de cumplimiento estricto (generalmente $\ge$ 10 horas de uso diario).
• Consecuencia: Este enfoque asume que el tiempo de uso es aleatorio, pero el estudio demuestra que no lo es. El tiempo de uso está correlacionado con factores demográficos, determinantes sociales de la salud (DSS) y, crucialmente, con el estado de salud (especialmente enfermedades mentales).
• Impacto: Al aplicar filtros rígidos, se excluye desproporcionadamente a poblaciones vulnerables (como pacientes con depresión mayor), introduciendo un sesgo de selección que reduce la potencia estadística, distorsiona las estimaciones clínicas y socava la equidad en la investigación digital.

2. Metodología

El estudio utilizó datos del programa de investigación All of Us (AoU), específicamente la versión v7 del conjunto de datos controlado.

• Cohorte: 11,901 participantes con datos de Fitbit, encuestas y registros electrónicos de salud (EHR).
• Modelo de Dispositivo: "Trae tu propio dispositivo" (BYOD), donde los participantes vincularon sus Fitbits existentes.
• Análisis de Variables:
  • Se evaluó el tiempo de uso en dos métricas: porcentaje de días con datos y horas promedio de uso diario.
  • Se estratificó por: demografía (sexo, edad, raza/etnia), DSS (ingresos, educación, seguro médico), factores de estilo de vida, síntomas de salud mental (depresión, ansiedad, anhedonia) y diagnósticos clínicos (EHR).
• Enfoque Estadístico: Se utilizaron modelos de efectos mixtos lineales y regresión lineal, ajustando por covariables y aplicando corrección de Bonferroni para comparaciones múltiples.
• Evaluación de Métodos de Ajuste: Se compararon cinco enfoques metodológicos para manejar la variabilidad del tiempo de uso en el contexto de la depresión mayor (MDD):
  1. Filtro de cumplimiento estándar: $\ge$ 10 horas/día.
  2. Ajuste por covariable: Incluir las horas de uso como covariable en el modelo.
  3. Normalización de métricas: Convertir conteos totales a tasas (ej. pasos por hora).
  4. Emparejamiento por puntaje de propensión: Igualar la distribución del tiempo de uso entre grupos.
  5. Umbral adaptativo: Evaluar umbrales de corte variables (1-10 horas).

3. Contribuciones Clave

• Caracterización Sistemática: Es el primer estudio a gran escala que cuantifica cómo el tiempo de uso varía sistemáticamente a través de un espectro de estados de salud, desde síntomas subclínicos hasta diagnósticos crónicos.
• Cuantificación del Sesgo: Demostración empírica de que el umbral estándar de 10 horas excluye desproporcionadamente a pacientes con enfermedades, específicamente aquellos con trastornos mentales.
• Marco Metodológico Flexible: Propuesta de un conjunto de herramientas analíticas (no mutuamente excluyentes) para "rescatar" datos válidos que de otro modo se perderían, permitiendo mantener el rigor analítico sin sacrificar la representatividad de la muestra.
• Reinterpretación del Tiempo de Uso: Sugiere que el tiempo de uso reducido no es solo "ruido" o falta de cumplimiento, sino que puede ser un biomarcador informativo en sí mismo, reflejando la carga de la enfermedad o la severidad de los síntomas.

4. Resultados Principales

• Factores Demográficos y Sociales:
  • El tiempo de uso es mayor en hombres, personas mayores (pico en 60-70 años), y aquellos con mayores ingresos y nivel educativo.
  • Los grupos minoritarios (Hispanos/Latinos, Afroamericanos) y aquellos sin seguro médico muestran menor adherencia.
• Salud Mental y Diagnósticos:
  • Síntomas vs. Diagnóstico: La presencia de síntomas de depresión, ansiedad o anhedonia reduce el tiempo de uso, pero la reducción es mucho más drástica en pacientes con diagnósticos clínicos formales (MDD y Trastorno de Ansiedad).
  • Impacto Cuantitativo: En pacientes con MDD, el 74.4% de los días de datos fueron excluidos bajo el umbral estándar de 10 horas, en comparación con solo el 20.9% en el grupo de control.
  • Diferencias por Enfermedad: Los trastornos del estado de ánimo y el uso de tabaco se asociaron con menor tiempo de uso, mientras que los trastornos neurológicos mostraron mayor adherencia (posiblemente debido a la utilidad clínica de la monitorización continua).
• Comparación de Métodos Analíticos (Caso MDD):
  • El filtro estándar ($\ge$ 10h) produjo la mayor diferencia estimada en pasos diarios entre grupos (999 pasos), pero con una pérdida masiva de datos del grupo MDD.
  • El ajuste por covariable retuvo el 100% de los datos, redujo la diferencia estimada (796 pasos) pero mantuvo la significancia estadística, sugiriendo que parte de la brecha observada en el filtro estándar se debía a la variación no controlada del tiempo de uso.
  • El emparejamiento por propensión resultó en una pérdida extrema de datos (93% excluido) y pérdida de potencia estadística.
  • La normalización (pasos/hora) confirmó la reducción de actividad en MDD de manera robusta.

5. Significado e Implicaciones

Este estudio establece que el tiempo de uso es una consideración metodológica crítica que no puede ignorarse en la investigación con wearables.

• Equidad en Salud: La aplicación ciega de umbrales de cumplimiento estandarizados (como los derivados de estudios de población general como NHANES) perpetúa la exclusión de poblaciones con enfermedades crónicas y desventajas socioeconómicas, exacerbando las disparidades en la investigación digital.
• Rigor Científico: Ignorar la variabilidad del tiempo de uso introduce confusión en los modelos predictivos y de aprendizaje automático.
• Recomendación Práctica: Los investigadores deben adoptar un marco flexible. En lugar de descartar datos, deben:
  • Utilizar el tiempo de uso como una covariable.
  • Normalizar métricas (ej. pasos/hora) cuando sea apropiado.
  • Considerar umbrales adaptativos específicos para la población de estudio.
  • Reportar análisis de sensibilidad utilizando múltiples enfoques.

En conclusión, el estudio aboga por un cambio de paradigma: pasar de la exclusión de datos por "incumplimiento" a la integración analítica del tiempo de uso como una variable informativa, mejorando así la validez, la potencia estadística y la equidad en la salud digital.