Ampere: A Digital Twin-Enabled Cyber-Physical IoT Node for Environmental Health Monitoring in IoMT Systems

Resumen Técnico: Ampere – Un Nodo de IoT Ciberfísico Habilitado para Gemelos Digitales para el Monitoreo de la Salud Ambiental

Planteamiento del Problema
El paradigma actual del Internet de las Cosas Médicas (IoMT) se centra primordialmente en el monitoreo fisiológico centrado en el paciente mediante biosensores portátiles. Sin embargo, descuida en gran medida el "entorno construido"—los espacios físicos donde se transmiten los patógenos y ocurre la recuperación del paciente. En entornos sanitarios e institucionales de alto tráfico, factores ambientales como la contaminación por partículas (PM₂.₅), los compuestos orgánicos volátiles (COV) y la higiene de superficies inadecuada influyen directamente en los resultados de la salud pública. La infraestructura convencional, incluyendo los sistemas estándar de secado de manos, opera como cargas electromecánicas aisladas que carecen de detección, conectividad e inteligencia. Estos sistemas no logran detectar riesgos ambientales, reportar la salud operativa o integrarse con sistemas más amplios de gestión de instalaciones, creando una brecha entre los eventos de higiene y la gestión proactiva de la salud.

Metodología
Para abordar esta brecha, el artículo introduce el marco de trabajo del Internet de las Cosas Médicas Ambientales (IoEMT) y operacionaliza el nodo Ampere, un sistema de higiene ciberfísico inteligente. La metodología se estructura en torno a una arquitectura de cuatro capas:

1. Capa Física/Energética: Comprende un motor BLDC de alto par para el flujo de aire, un elemento de calentamiento PTC y un módulo de esterilización Far-UVC (222 nm). Esta capa opera bajo un modelo de control de velocidad angular de primer orden.
2. Capa de Inteligencia Embebida: La unidad de control central ejecuta una lógica supervisora híbrida, gestionando las transiciones de estado (Espera, Secado Activo, Esterilización) basadas en entradas de sensores en tiempo real.
3. Capa de Sensado: Integra una suite multimodal que incluye sensores de Tiempo de Vuelo (ToF) o PIR para ocupación, y sensores ambientales para PM₂.₅, CO₂ y COV.
4. Capa de Conectividad y Telemetría: Utiliza el protocolo MQTT sobre canales cifrados con TLS para una comunicación bidireccional de baja latencia con un servidor central.

Procesamiento de Datos y Aprendizaje Automático
El sistema transforma flujos de sensores multimodales de alta frecuencia en "Niveles de Triaje de Salud" discretos. El flujo de datos implica:

• Preprocesamiento: Interpolación para valores faltantes y normalización Min-Max para escalar las entradas de los sensores (PM₂.₅, CO₂, COV, frecuencia de uso) a un rango de [0,1].
• Reducción de Ruido: Aplicación de suavizado y filtrado (específicamente el filtrado de Kalman en el flujo de trabajo del Gemelo Digital) para suprimir el ruido de medición.
• Selección de Características: Se utiliza el análisis de chi-cuadrado (χ²) para identificar las características más correlacionadas para la predicción del estado de higiene.
• Clasificación: Se seleccionó un clasificador de K-Vecinos Más Cercanos (KNN) como el algoritmo óptimo tras evaluar seis modelos (LR, DTr, RF, SVM, KNN, ANN). El modelo KNN alcanzó la mayor precisión (97%) y demostró robustez (94% de precisión) incluso cuando se introdujo un 20% de ruido al conjunto de datos.
• Lógica de Triaje: El sistema categoriza las condiciones ambientales en cuatro niveles:
  • Nivel 0 (Normal): Condiciones óptimas; intervención mínima.
  • Nivel 1 (Aceptable): Desviaciones menores; aumento adaptativo del flujo de aire.
  • Nivel 2 (Atención): Elevaciones sostenidas; ciclos extendidos de esterilización Far-UVC.
  • Nivel 3 (Emergencia): Niveles peligrosos; modo de falla segura y alertas a la gestión de instalaciones.

Arquitectura de Gemelo Digital
Una arquitectura de Gemelo Digital (DT) bidireccional acopla el nodo físico (Gemelo Físico - PT) con una réplica virtual (Gemelo Virtual - VT) implementada en Unity 3D.

• PT-a-VT: El nodo físico transmite telemetría (ciclos de uso, calidad del aire, estado de los componentes) vía MQTT al VT, permitiendo la visualización en tiempo real y el mapeo de anomalías espaciales.
• VT-a-PT: Los gestores de instalaciones pueden interactuar con el VT para modificar parámetros operativos (por ejemplo, modulación del flujo de aire, programación de la esterilización), los cuales se transmiten de vuelta como comandos de control.
• Interbloqueos de Seguridad: Una lógica de seguridad crítica asegura que la activación de Far-UVC ocurra solo cuando el espacio está desocupado, verificado por sensores ToF redundantes y condiciones booleanas ($B_{active} = (S_{user}=0) \land (T_{dryer}=off) \land (T_{elapsed} > \delta)$).

Resultados Clave

• Desempeño del Algoritmo: El clasificador KNN demostró un desempeño superior con un 97% de precisión, 0.97 de precisión (precision) y 0.97 de exhaustividad (recall) en un conjunto de datos de referencia (Ullah et al., 2025). Superó a otros modelos en el manejo de datos ruidosos, un factor crítico para la infraestructura de salud pública.
• Robustez: Bajo condiciones de datos degradados (20% de ruido), el modelo KNN mantuvo un 94% de precisión, validando su idoneidad para entornos con ensuciamiento de sensores o interferencias.
• Prueba de Concepto: El estudio validó la integración de ML basado en el borde (edge-based ML), conectividad IoT y visualización de Gemelo Digital utilizando componentes comercialmente disponibles (STM32/ESP32, sensores de dispersión láser de PM, sensores de gas MOX y lámparas excímer Far-UVC de 222 nm).

Significancia y Reivindicaciones
El artículo afirma introducir el marco IoEMT como una evolución natural del IoMT, desplazando el enfoque de las métricas individuales del paciente hacia la inferencia de salud impulsada por el entorno y la adaptación a nivel de infraestructura. La significancia del nodo Ampere radica en su capacidad para:

1. Operacionalizar la Higiene Proactiva: Transformar la infraestructura de higiene estacionaria en centros de inteligencia distribuidos capaces de respuestas autónomas y conscientes del contexto sin intervención humana.
2. Habilitar el Mantenimiento Predictivo: Utilizar el análisis de comportamiento del Gemelo Digital (por ejemplo, monitorear la velocidad angular del motor y las firmas térmicas) para predecir fallas de componentes antes de que ocurran.
3. Mejorar la Seguridad: Abordar la superficie de amenaza única de los Sistemas Ciberfísicos (CPS) de atención médica a través de una arquitectura de defensa en profundidad, que incluye cifrado TLS, control de acceso basado en roles (RBK) y criptografía post-cuántica exploratoria (Kyber-512) para resiliencia futura.
4. Cerrar Brechas de Datos: Conectar el sensado ambiental con los sistemas de gestión de instalaciones para proporcionar un "Mapa de Salud Digital", permitiendo intervenciones dirigidas (por ejemplo, identificar fallas localizadas de ventilación) en lugar de bloqueos amplios e ineficientes.

Limitaciones y Trabajo Futuro
Los autores señalan modestamente que este trabajo representa un diseño conceptual y una validación basada en simulaciones. Los modelos de aprendizaje automático fueron evaluados utilizando un conjunto de datos de referencia existente en lugar de datos de un prototipo físico de Ampere. El despliegue a gran escala en entornos hospitalarios reales, las pruebas de robustez de los sensores a largo plazo contra desinfectantes químicos y el análisis detallado de latencia/ancho de banda quedan reservados para investigaciones futuras. El presente estudio sirve como una validación a nivel de sistema de la viabilidad de la arquitectura IoEMT.