La combinación de inteligencia artificial y dispositivos que llevamos todo el día en la muñeca está empezando a dar resultados que hace unos años sonaban casi a ciencia ficción. Un grupo de investigadores ha demostrado que, con los datos adecuados, un Apple Watch puede ir bastante más allá de contar pasos o medir las pulsaciones.
En un nuevo trabajo desarrollado por investigadores del MIT y la startup Empirical Health, se ha creado un modelo de IA capaz de detectar indicios de enfermedades a partir de los registros pasivos del reloj. La clave está en cómo se analizan esos datos, muchas veces incompletos y desordenados, para extraer patrones de riesgo que puedan servir como aviso temprano.
Un estudio masivo con millones de días de uso real
Para entrenar este sistema, el equipo recurrió a una base de datos formada por 16.522 usuarios de Apple Watch. Sumando el tiempo de uso de todos ellos, se alcanzó un volumen equivalente a unos tres millones de días de mediciones reales, una cantidad de información que sería imposible de manejar con métodos tradicionales.
Cada persona generaba hasta 63 métricas distintas relacionadas con su salud, agrupadas en varios frentes: parámetros cardiovasculares, respiratorios, calidad del sueño, nivel de actividad física y estadísticas más generales sobre su rutina diaria. Aunque no todos los participantes usaban el reloj de manera constante, el modelo fue diseñado para aprovechar incluso esos huecos.
Uno de los aspectos más llamativos es que solo alrededor del 15% de los usuarios contaba con un historial médico etiquetado que indicara diagnósticos concretos. Es decir, la enorme mayoría de los datos no venían acompañados de una etiqueta de enfermedad, algo que en principio complica mucho entrenar un algoritmo fiable en el ámbito sanitario.
Lejos de ver esto como un obstáculo insalvable, los investigadores optaron por una estrategia de autoaprendizaje o autosupervisión. Primero, el modelo se entrenó con toda la base de datos, sin necesidad de diagnósticos previos. Más adelante, se afinó usando solo el pequeño subconjunto de participantes que sí tenían su historial clínico registrado.
Gracias a este planteamiento, se pudo sacar partido de un enorme volumen de información que en otros contextos se habría considerado “demasiado ruidosa” o incompleta. El resultado es un sistema que aprende cómo se comportan las personas en su día a día, incluso cuando faltan mediciones o hay largos periodos en blanco.
Una IA que entiende los huecos en los datos del Apple Watch
El corazón del proyecto es un modelo de IA inspirado en la arquitectura JEPA (Joint Embedding Predictive Architecture), una familia de algoritmos centrados en comprender el contexto general antes que en predecir un dato concreto. Frente a sistemas como los modelos de lenguaje que tratan de adivinar la siguiente palabra, aquí la prioridad es construir una representación coherente de todo el escenario.
En la práctica, el equipo convirtió cada observación del Apple Watch en una especie de token que incluía la fecha, el tipo de métrica y el valor medido. A partir de ahí, se aplicó un mecanismo de enmascarado: se ocultaban partes de la información de forma deliberada para obligar al modelo a inferir qué podía ir en esos huecos.
En lugar de intentar reconstruir el número exacto que falta, la IA aprende qué significa la ausencia de datos dentro del patrón global de cada persona. Si alguien pasa varios días sin registrar sueño o actividad, el sistema no lo trata como un simple error, sino como un elemento más del comportamiento que puede tener relevancia médica.
Esto es especialmente útil con los wearables, porque su uso diario es todo menos perfecto: hay días que se deja el reloj en la mesilla, otros en los que la batería se agota o momentos en que el sensor no mide bien. JETS, el modelo bautizado por los investigadores, aprende precisamente de ese caos y es capaz de operar con datos muy irregulares.
Según los responsables del estudio, muchas de las métricas analizadas solo estaban disponibles en torno a un 0,4% del tiempo total para ciertos usuarios, mientras que otras se registraban casi a diario. Aun con esa disparidad, la IA logró sacar patrones útiles que habrían pasado inadvertidos con un análisis más tradicional.
De la teoría a la práctica: detección de hipertensión y apnea
Una vez entrenado y refinado, el modelo se puso a prueba en la detección de condiciones de salud concretas, muchas de ellas relacionadas con problemas cardiovasculares y trastornos del sueño. La atención se centró especialmente en la hipertensión, el síndrome del seno enfermo, la apnea y la fatiga crónica.
En el caso de la hipertensión arterial, la IA fue capaz de distinguir con bastante precisión entre personas con y sin esta condición. Los resultados publicados hablan de un porcentaje de discriminación cercano al 86,8%, lo que indica que el modelo diferencia con bastante acierto quién está en riesgo y quién no a partir de los datos que recoge el reloj.
La eficacia no se limitó a este problema concreto. El sistema también mostró buen rendimiento al identificar patrones compatibles con síndrome del seno enfermo o con cuadros de fatiga crónica. No siempre obtuvo la mejor puntuación frente a todos los modelos de referencia, pero sí presentó una ventaja consistente al trabajar con registros tan irregulares.
Es importante matizar que las métricas utilizadas para evaluar el modelo no contabilizan simples “aciertos o fallos”, sino la capacidad de ordenar los casos por probabilidad de riesgo. En salud preventiva, lo verdaderamente relevante es priorizar a quienes pueden necesitar una revisión antes de que aparezcan síntomas claros, más que acertar milimétricamente con cada diagnóstico.
En otras palabras, la utilidad de este tipo de IA pasa por funcionar como un sistema de cribado pasivo que señala qué usuarios deberían acudir al médico para una evaluación más exhaustiva. Ahí es donde el Apple Watch podría jugar un papel relevante, al servir de primer filtro que se nutre de mediciones aparentemente rutinarias.
Datos imperfectos, pero con mucho potencial sanitario
Una de las conclusiones que más destacan los investigadores es que los datos imperfectos no son necesariamente inútiles. Bien tratados, pueden aportar información valiosa, sobre todo cuando se recogen durante largos periodos y en contextos de vida real, alejados de las condiciones controladas de un laboratorio.
En este trabajo se ha demostrado que incluso registros muy esporádicos pueden ayudar a construir un modelo sólido del estado de salud de una persona. Aunque haya métricas que solo se midan en contadas ocasiones, el patrón global de actividad, sueño y frecuencia cardiaca termina ofreciendo pistas sobre posibles problemas subyacentes.
Esto refuerza la idea de que relojes inteligentes como el Apple Watch pueden desempeñar un papel cada vez más importante en la monitorización continua. No es necesario llevar el dispositivo las 24 horas del día ni obsesionarse con registrar todo al detalle; lo fundamental es disponer de un sistema capaz de interpretar correctamente lo que sí se registra.
El modelo explota precisamente esa ventaja: acompaña al usuario en su día a día sin exigir un uso perfecto. A partir del conjunto de datos que se van generando, va construyendo una especie de “mapa” de la salud de cada persona, lo suficientemente robusto como para detectar anomalías que podrían pasar desapercibidas en una consulta puntual.
Para los sistemas sanitarios europeos, donde la carga asistencial es cada vez mayor, un enfoque de este tipo podría encajar como herramienta de apoyo. Un algoritmo que ayude a priorizar casos o a señalar riesgos tempranos permitiría dedicar más recursos a quienes realmente los necesitan, siempre que se integre de forma adecuada en la práctica clínica.
Limitaciones, retos clínicos y papel de los médicos
Con todo, los propios autores subrayan que este trabajo sigue estando en el terreno de la investigación. Que un modelo ofrezca buenos resultados en un estudio no significa que esté listo para convertirse en una función más del reloj ni que deba sustituir la valoración de un profesional sanitario.
Por ahora, no se ha demostrado de forma concluyente cómo se comportaría esta IA en entornos clínicos reales, donde influyen muchos más factores: diferencias entre poblaciones, hábitos de uso muy distintos, variaciones en la forma de llevar el reloj o cambios de estilo de vida que alteran las métricas.
También hay que tener en cuenta que, a pesar de los buenos porcentajes de discriminación, el sistema está lejos de ser infalible. Pueden darse falsos positivos, que generen preocupación innecesaria, y falsos negativos, en los que se pase por alto un riesgo relevante. Por eso, cualquier resultado que ofrezca la IA debería verse como una señal de alerta, no como un diagnóstico cerrado.
El papel del personal médico sigue siendo esencial. Las pruebas diagnósticas específicas, la exploración física y el contexto clínico completo no pueden sustituirse por un algoritmo que trabaja a partir de datos pasivos. La IA puede ayudar a enfocar la atención, pero la decisión final ha de recaer en un profesional.
A todo esto se suman las cuestiones de privacidad y protección de datos, especialmente sensibles en Europa. Permitir que un sistema analice de forma continua información tan íntima como el pulso, el sueño o la actividad diaria obliga a garantizar un nivel de seguridad muy alto y a cumplir estrictamente la normativa, como el Reglamento General de Protección de Datos (RGPD).
Qué supone para el futuro de la salud con el Apple Watch
Más allá de las cautelas, el estudio deja claro que la medicina preventiva puede cambiar radicalmente con la ayuda de los wearables. Pasar de revisiones puntuales a una monitorización casi constante abre la puerta a detectar problemas en fases más tempranas, cuando todavía se puede actuar con mayor margen.
El Apple Watch ya ofrece funciones relacionadas con la salud, como alertas de frecuencia cardiaca anómala, registros de sueño o detección de caídas. Investigaciones de este tipo apuntan a una siguiente fase, en la que el dispositivo podría colaborar en la detección de trastornos como la hipertensión o la apnea del sueño de forma mucho más sofisticada.
En el entorno europeo, donde los relojes inteligentes han ido ganando terreno, un desarrollo así podría encajar en programas de seguimiento remoto o en iniciativas de medicina digital impulsadas por sistemas públicos y privados. Eso sí, haría falta un trabajo coordinado entre tecnólogos, clínicos y reguladores para que el despliegue se haga con garantías.
El propio ecosistema de salud de Apple en el iPhone apunta en esa dirección: la compañía está evolucionando su aplicación de salud de un mero repositorio de datos hacia un asistente más proactivo, capaz de resaltar tendencias, avisar de cambios significativos e integrar informes con centros médicos cuando sea posible. Esa integración con servicios externos es una de las líneas que más interés despierta en la industria.
En cualquier caso, incluso si estas funciones tardan en llegar al usuario final, el mensaje de fondo es claro: los datos que generan relojes y pulseras inteligentes pueden ser mucho más que estadísticas curiosas. Bien tratados y protegidos, podrían convertirse en una herramienta valiosa para cuidar mejor de nuestra salud, sin necesidad de ir constantemente a consultas presenciales.
Todo apunta a que estamos en las primeras etapas de una forma diferente de entender el seguimiento médico, en la que una IA entrenada con millones de días de uso de Apple Watch actúa como un radar silencioso que busca señales de alerta entre pulsaciones, horas de sueño y pasos dados, mientras los profesionales sanitarios siguen teniendo la última palabra sobre qué hacer con esa información.
