Evaluación del aprendizaje por transferencia entre conjuntos de datos para la estimación de la presión arterial basada en fotopletismografía

Por qué importa medir la presión arterial sin manguito

La hipertensión es una de las principales causas de infartos y accidentes cerebrovasculares, sin embargo, la mayoría de las personas solo se la comprueba de forma ocasional con un manguito en el brazo en la consulta del médico. Este estudio analiza cómo los sensores portátiles y la inteligencia artificial podrían estimar la presión arterial de forma continua, sin apretar el brazo, aprendiendo a partir de grandes bases de datos hospitalarias y adaptándose después a nuevos dispositivos como relojes inteligentes. El trabajo aborda un obstáculo clave: cómo lograr que los algoritmos entrenados en un entorno sigan funcionando bien cuando cambian el sensor y las condiciones.

De los manguitos al sensor óptico

Los manguitos tradicionales son fiables pero incómodos para un uso frecuente. Requieren inflado hasta detener momentáneamente el flujo sanguíneo, pueden resultar molestos y solo capturan unas pocas lecturas al día. Una alternativa es la fotopletismografía (PPG), que utiliza una pequeña fuente de luz y un detector, similar a los de los oxímetros de pulso y los dispositivos portátiles, para captar minúsculos cambios en el volumen sanguíneo con cada latido. Estas formas de onda basadas en luz contienen información relacionada con la presión arterial, lo que abre la posibilidad de monitorización sin manguito que funcione durante la vida cotidiana, en casa o en movimiento.

Enseñar a un algoritmo a leer las ondas del pulso

En lugar de elaborar manualmente una larga lista de características matemáticas a partir de las señales PPG, los autores emplean un modelo de aprendizaje profundo que aprende patrones directamente de fragmentos cortos de la señal de cinco segundos. Parten de una arquitectura existente que combina capas convolucionales (buenas para detectar formas) con capas recurrentes (buenas para seguir patrones temporales), y la simplifican hasta tener menos de la mitad del número original de parámetros entrenables. Esta red reducida es más fácil de entrenar cuando solo hay disponibles pocas horas de datos por persona, y aun así captura las complejas relaciones entre la forma de la onda del pulso y la presión arterial.

Hacer que los modelos entrenados en hospitales funcionen en otros entornos

Un obstáculo importante es que las señales PPG cambian cuando varían el hardware, el sitio de registro o el entorno. El equipo prueba si el “aprendizaje por transferencia” puede ayudar. Primero entrenan su red neuronal usando datos de una gran base hospitalaria, donde los pacientes tienen PPG de la yema del dedo y presión arterial invasiva registradas de forma continua. Luego afinan (fine-tune) solo capas profundas seleccionadas del modelo para cada nueva persona usando una cantidad mucho menor de datos procedente de una segunda base recopilada por separado. Este planteamiento entre conjuntos de datos imita lo que ocurre en la práctica, cuando una empresa puede partir de datos hospitalarios públicos y después adaptar su modelo a un nuevo dispositivo o usuario con grabaciones personales limitadas.

Qué tan bien rinden los modelos adaptados

Los investigadores comparan tres enfoques: entrenar desde cero para cada persona, aprendizaje por transferencia dentro de una misma base de datos y aprendizaje por transferencia entre bases de datos. En 200 pacientes extraídos de dos grandes conjuntos de datos, el aprendizaje por transferencia entre bases mejora el error medio en aproximadamente un 13 por ciento frente a entrenar desde cero, alcanzando alrededor de 3,4 mmHg para la presión sistólica y 1,8 mmHg para la diastólica. Estos resultados cumplen los principales puntos de referencia internacionales utilizados para evaluar dispositivos de presión arterial. Es importante notar que los modelos adaptados entre bases de datos rinden en torno a un 1 por ciento de diferencia respecto a los adaptados dentro de la misma base, y esa pequeña diferencia no es estadísticamente significativa. Los autores también muestran que el aprendizaje por transferencia sigue siendo útil cuando hay muy pocos datos para el ajuste fino, y que mejora la precisión incluso cuando se aplica a un conjunto más pequeño no hospitalario recogido con sensores diferentes.

Qué implica esto para la monitorización diaria de la salud

Para un público no experto, la conclusión es que un algoritmo entrenado con grandes bancos de datos hospitalarios puede ser “reutilizado” y ajustado ligeramente para nuevas personas, nuevos dispositivos y nuevos entornos, sin necesidad de ensayos clínicos masivos cada vez. Mediante la limpieza cuidadosa de las señales, la reducción del tamaño del modelo y la actualización solo de las capas más informativas para cada usuario, el estudio demuestra que la estimación continua y sin manguito de la presión arterial a partir de sensores ópticos puede alcanzar niveles de error compatibles con los estándares existentes. Aunque hace falta más trabajo en condiciones de vida reales y activas y en sensores de muñeca, esta estrategia de aprendizaje por transferencia entre conjuntos de datos acerca un paso más la monitorización práctica de la presión arterial con dispositivos portátiles.

Cita: Kim, Y.C., Baek, H.J. Evaluating cross-dataset transfer learning for photoplethysmography-based blood pressure estimation. Sci Rep 16, 10725 (2026). https://doi.org/10.1038/s41598-026-43409-8

Palabras clave: presión arterial sin manguito, fotopletismografía, monitorización de la salud portátil, aprendizaje profundo, aprendizaje por transferencia