Resumen Técnico: Un sistema de detección de sofocos en tiempo real para condiciones de vida libre con ruido

Declaración del Problema

Los sofocos (HFs, por sus siglas en inglés) son el síntoma más prevalente y disruptivo de la transición menopáusica, afectando hasta al 80% de las personas e impactando significativamente la vida diaria y el sueño. Actualmente, el seguimiento objetivo de los sofocos se ve restringido en gran medida a entornos de investigación debido a las limitaciones de las tecnologías de medición existentes. El "estándar de oro" para la medición de los sofocos implica el monitoreo ambulatorio de la conductancia cutánea (SC) esternal utilizando el sistema UFI Biolog. Sin embargo, este dispositivo es voluminoso, requiere electrodos con cables, necesita operación experta y carece de interfaces amigables para el consumidor, lo que lo hace inadecuado para un despliegue a gran escala, de largo plazo o en condiciones de vida libre.

Si bien avances recientes han introducido algoritmos de aprendizaje automático (ML) para la clasificación de sofocos, estos se han basado principalmente en equipos de grado de investigación en entornos controlados y, a menudo, han utilizado datos mezclados en la validación cruzada, lo que limita su capacidad de generalización a poblaciones no vistas. Además, los sistemas existentes suelen depender únicamente de las señales de SC y del procesamiento fuera de línea (offline), fallando al no contabilizar la variabilidad en la fisiología de los sofocos a través de diferentes estados bio-conductuales (por ejemplo, sueño vs. vigilia) y contextos ambientales. Existe una necesidad crítica de un sistema rentable y en tiempo real capaz de detectar sofocos utilizando dispositivos portátiles (wearables) de muñeca multisensores comercialmente disponibles en condiciones de vida libre con ruido.

Metodología

Diseño del Estudio y Recolección de Datos

El estudio reclutó a once mujeres en la menopausia (edades entre 40 y 65 años) que reportaban ≥5 sofocos por cada período de 24 horas. Las participantes se sometieron a un protocolo de recolección de datos en el hogar de 48 horas. La configuración experimental involucró cuatro dispositivos distintos para capturar datos multimodales:

1. Estándar de Oro: Monitor de sofocos UFI BiLog (3991x/1-SCL) con electrodos de Ag/AgCl en el esternón para registrar la SC a 1 Hz.
2. Sensor Primario: Dispositivo Empatica E4 usado en la muñeca (colocado en ambas muñecas) recolectando datos brutos de fotopletismografía (PPG), acelerometría (ACC), SC y temperatura cutánea a altas resoluciones (hasta 64 Hz).
3. Contexto Conductual: Fitbit Charge 4 (FC4) en la muñeca izquierda para la clasificación de sueño/vigilia y el conteo de pasos.
4. Contexto Ambiental: Registrador iButton DS1923 para temperatura ambiente y humedad.

Las participantes presionaron botones de marcadores de eventos en los dispositivos E4 al percibir un sofoco. Las anotaciones de expertos, basadas en la evaluación manual de las fluctuaciones de la SC esternal (>1.5-µmho de aumento dentro de 30 segundos) del dispositivo BioLog, sirvieron como la verdad de terreno (ground truth) para el inicio del sofoco.

Arquitectura del Sistema e Ingeniería de Características

Los autores desarrollaron un sistema de detección de sofocos por ML en tiempo real utilizando datos del Empatica E4. A diferencia de iteraciones previas que requerían el procesamiento de formas de onda completas o análisis fuera de línea, este sistema fue optimizado para la operación en tiempo real con una carga computacional minimizada.

Modificaciones Clave del Sistema:

• Procesamiento en Tiempo Real: El sistema calcula características cada 15 segundos utilizando un enfoque de ventanas.
• Conjuntos de Características:
  • Características de SC: Área bajo la curva (AUC) diferencial y la derivada (pendiente) calculadas entre ventanas pasadas y futuras (enfocándose específicamente en el "borde ascendente" para predecir el inicio antes de la percepción subjetiva).
  • Características de Temperatura: Diferenciales de temperatura promedio entre contextos pasados/futuros y la ventana actual.
  • Características de PPG/Frecuencia Cardíaca: Diferencial de frecuencia cardíaca entre la ventana actual y los contextos pasados/futuros.
  • Características de Movimiento: Desplazamiento máximo absoluto (AMD) en las dimensiones x, y, z, incluyendo cálculos diferenciales entre ejes.
• Clasificador: Un clasificador de árbol de decisión genera predicciones binarias (sofoco/no sofoco) para cada intervalo de 15 segundos.
• Post-procesamiento: Las predicciones se agregan para identificar eventos de sofoco discretos. Se impone un período refractario de 15 minutos (60 intervalos) para evitar múltiples detecciones de un solo episodio fisiológico.

Tareas Experimentales

El estudio evaluó el sistema a través de cinco tareas específicas:

1. Desempeño en Tiempo Real: Determinó los tamaños óptimos de la ventana de contexto pasado/futuro (probados de 1s a 240s) utilizando una validación cruzada de dejar a un sujeto fuera (LOSO).
2. Eficiencia Computacional: Evaluó el impacto del submuestreo de la señal (factores de 1 a 32) y los intervalos de computación del algoritmo (15s a 90s) en la precisión.
3. Robustez al Ruido: Probó el desempeño del sistema contra ruido sintético (caídas y picos de señal) que variaba de 0.5% a 50%.
4. Entrenamiento con Aumento de Ruido: Reentrenó el modelo con datos aumentados sintéticamente para determinar si se podía recuperar el desempeño bajo condiciones de ruido.
5. Validación en Vida Libre: Validó el modelo final a través de diferentes condiciones bio-conductuales (sueño vs. vigilia, actividad vs. inactividad) y ambientales (temperatura, humedad, hora del día).

Contribuciones Clave

1. Detección Multisensores en Tiempo Real: El artículo presenta un novedoso sistema de ML que integra datos de SC, temperatura, frecuencia de pulso y movimiento de un dispositivo portátil de muñeca comercial (Empatica E4) para detectar sofocos en tiempo real, yendo más allá de los enfoques previos de una sola señal y de análisis fuera de línea.
2. Optimización para Condiciones de Vida Libre: El sistema está diseñado y validado explícitamente para entornos de vida libre "con ruido", abordando la pérdida de señal, los artefactos de movimiento y los variados estados fisiológicos (sueño vs. vigilia).
3. Eficiencia Computacional: Los autores proporcionan parámetros de algoritmo específicos (por ejemplo, intervalos de computación de 15 segundos, submuestreo de 4x) que minimizan la carga computacional mientras mantienen una alta precisión, haciendo que el sistema sea factible para su despliegue en hardware de consumo.
4. Robustez al Ruido: El estudio demuestra que el sistema mantiene una precisión >90% incluso con una caída de señal del 15% cuando se entrena con ruido aumentado sintéticamente, un hallazgo crítico para la aplicabilidad en el mundo real donde el contacto del sensor suele ser imperfecto.
5. Validación de la Generalizabilidad: Utilizando un conjunto de datos de prueba retenido de siete mujeres (distintas de las cuatro mujeres en el conjunto de entrenamiento), el estudio verifica que el modelo no solo memoriza los datos de entrenamiento, sino que posee un poder predictivo genuino.

Resultados

• Precisión: El sistema logró una precisión >90% en la detección de sofocos en tiempo real bajo condiciones de vida libre.
• Parámetros Óptimos:
  • Contexto: Se identificó que 60 segundos de contexto pasado (contexto izquierdo) era el óptimo para la operación en tiempo real, equilibrando resolución y desempeño.
  • Eficiencia: Un intervalo de computación de 15 segundos y un factor de submuestreo de 4 (lo que resulta en un muestreo de 1 Hz para la mayoría de los sensores) proporcionaron el mejor equilibrio entre retraso y precisión.
• Manejo de Ruido:
  • Sin reentrenamiento, el sistema mantuvo una precisión >90% con caídas de señal de hasta el 15%.
  • El reentrenamiento con ruido sintético (pico de 0.25% y caída de 0.25%) mejoró la precisión al 99.16% para caídas de señal del 15%, lo que representa una reducción relativa del error del 60% en comparación con el modelo no aumentado.
• Robustez de las Condiciones: El sistema demostró un desempeño consistente (precisión >90%) a través de diversas condiciones, incluyendo estados de sueño vs. vigilia, períodos de actividad vs. inactividad, diferentes momentos del día y niveles variables de temperatura y humedad ambiental.

Significado y Reivindicaciones

Los autores afirman que este trabajo representa un paso significativo hacia la viabilidad de medir los sofocos en la vida diaria utilizando sensores de muñeca de grado comercial. Al demostrar que un sistema de ML multisensores puede operar en tiempo real con alta precisión a pesar del "ruido" de las condiciones de vida libre, el sistema ofrece una vía para:

• Seguimiento Objetivo: Proporcionar a individuos y clínicos datos fiables, pasivos y longitudinales sobre los patrones y características de los sofocos, alejándose del reporte subjetivo.
• Gestión e Intervención: Permitir una mejor gestión de este síntoma disruptivo y potencialmente apoyar intervenciones de "justo a tiempo" mediante la predicción del inicio del sofoco antes de la percepción subjetiva.
• Escalabilidad: Ofrecer una alternativa rentable a los dispositivos de estándar de oro, que son voluminosos, costosos y dependen de expertos, facilitando así los estudios a gran escala y una adopción clínica más amplia.

El artículo reconoce modestamente las limitaciones, señalando el tamaño de muestra modesto (11 participantes), la exclusión de individuos con un IMC ≥35 kg/m², y la falta de análisis respecto a la distribución de la pigmentación de la piel. Los autores enfatizan que es necesaria una validación adicional a gran escala en diversos dispositivos portables de consumo para asegurar la confiabilidad del sistema en todos los grupos demográficos y abordar los posibles sesgos relacionados con la precisión de la PPG en diferentes tonos de piel o composiciones corporales.