Validación de SocialBit como algoritmo de reloj inteligente para la detección de interacción social en una población clínica

Por qué importa contar las conversaciones

Tras una enfermedad grave como un ictus, los pequeños momentos cotidianos —como charlar con una enfermera o bromear con la familia— pueden influir discretamente en la recuperación. Se sabe que los lazos sociales protegen la salud cerebral e incluso prolongan la vida, pero los médicos rara vez disponen de una manera fiable de medir cuánto se relaciona socialmente un paciente a lo largo del día. Este estudio presenta SocialBit, un sistema basado en reloj inteligente que detecta conversaciones de forma respetuosa con la privacidad y pone a prueba si puede rastrear con precisión la interacción social en el mundo real en personas hospitalizadas tras un ictus.

Un reloj inteligente que oye, no que escucha conversaciones

SocialBit es un algoritmo de software que se ejecuta en un reloj inteligente comercial. En lugar de grabar las conversaciones o analizar las palabras que se dicen, utiliza fragmentos breves de sonido ambiental para capturar patrones como volumen, ritmo y otras características acústicas. A partir de estos datos decide si un minuto probablemente implicó una interacción —definida simplemente como cualquier sonido producido por otra persona o dirigido al paciente, incluyendo el habla fragmentada o no verbal común tras un ictus—. Como el sistema nunca almacena audio bruto ni texto transcrito, está diseñado para preservar la privacidad mientras ofrece a los clínicos una lectura continua del mundo social del paciente.

Probar el dispositivo en la vida real del hospital

Para comprobar si SocialBit funciona fuera del laboratorio, los investigadores reclutaron a 153 adultos hospitalizados por ictus isquémico en dos hospitales de Boston. Los pacientes llevaron el reloj durante las horas diurnas hasta ocho días, mientras observadores entrenados miraban vídeo en directo seguro y etiquetaban cada minuto como social o no social. Esto generó casi 89 000 minutos de datos codificados por humanos, de los cuales alrededor de 14 000 minutos también tenían lecturas de SocialBit. Los pacientes fueron muy diversos: la gravedad del ictus varió de muy leve a grave, las puntuaciones de pensamiento y memoria abarcaron casi toda la escala, y 24 participantes presentaban distintas formas de afasia, un trastorno del lenguaje que a menudo interfiere con la conversación normal. Esta diversidad permitió al equipo evaluar si el sistema resistía incluso cuando el habla era entrecortada, arrastrada o mínima.

Cómo se comportó el algoritmo

Cuando las decisiones de SocialBit se compararon con las etiquetas minuto a minuto de los codificadores humanos, la versión de mejor rendimiento del algoritmo detectó correctamente la interacción social en alrededor del 87% de los minutos que realmente la contenían y reconoció correctamente la ausencia de interacción en el 88% de los casos. Estadísticamente, esto situó a SocialBit por delante de detectores de habla y conversación de uso general existentes. Es importante que su vista resumen del tiempo que los pacientes pasaron interactuando a lo largo del día coincidiera estrechamente con las estimaciones humanas, aunque el reloj solo muestreaba uno de cada cinco minutos para ahorrar batería. El rendimiento se mantuvo sólido frente a muchos desafíos del mundo real, incluidos televisores de fondo, conversaciones laterales en la habitación, llamadas telefónicas y por vídeo, diferentes unidades hospitalarias y dos tipos de hardware de reloj inteligente.

Incluir a pacientes con dificultades para hablar

Una cuestión clave fue si SocialBit fallaría en personas con afasia, que pueden hablar menos o producir un habla no estándar. En este subgrupo, el algoritmo siguió rindiendo bien, con solo una caída modesta en la precisión respecto a los pacientes sin problemas de lenguaje. El sistema también se comportó de forma clínicamente coherente: los pacientes con ictus más graves tuvieron menos minutos de interacción detectada, reflejando lo observado por los codificadores humanos. Cada aumento de un punto en la puntuación de gravedad del ictus se asoció con aproximadamente una caída del uno por ciento en la proporción de tiempo dedicado a interactuar. Esto sugiere que SocialBit no solo reconoce sonido, sino que captura una dimensión significativa de la vida social de los pacientes.

Qué podría significar esto para la atención

Los autores sostienen que una herramienta como SocialBit podría convertir la interacción social en una “constante vital” que pueda rastrearse junto a la presión arterial o la frecuencia cardíaca. En investigación, podría proporcionar un resultado objetivo para ensayos clínicos que busquen mejorar la calidad de vida o reducir el aislamiento. En la práctica cotidiana, podría alertar a clínicos y cuidadores cuando un paciente está menos comprometido socialmente, lo que permitiría un apoyo más temprano o cambios en el entorno. Si bien se necesita más trabajo para adaptar el sistema al uso domiciliario y capturar no solo la frecuencia de las interacciones sino también cuán significativas son, este estudio muestra que un sencillo reloj inteligente puede medir de forma fiable un ingrediente poderoso pero hasta ahora invisible de la recuperación: la conexión humana.

Cita: Dhand, A., Tate, S., Mack, C. et al. Validation of SocialBit as a smartwatch algorithm for social interaction detection in a clinical population. Sci Rep 16, 4529 (2026). https://doi.org/10.1038/s41598-026-37746-x

Palabras clave: recuperación tras un ictus, interacción social, detección por reloj inteligente, biomarcador digital, afasia