HEAL: LoRaWAN adaptativo mejorado para la salud para monitorización en tiempo real y predicción del estado de soldados basada en IA

Por qué importa vigilar la salud de los soldados desde la distancia

En los campos de batalla actuales, los soldados pueden operar lejos de los médicos, en terrenos ásperos donde la comunicación es intermitente y las baterías deben durar días. Este estudio explora cómo los sensores de salud wearables, los enlaces de radio de baja potencia y la inteligencia artificial pueden trabajar juntos para mantener una vigilancia silenciosa y continua de los signos vitales. El objetivo es detectar señales tempranas de golpe de calor, hipoxia u otros problemas y alertar a los sanitarios a tiempo, incluso cuando la conexión inalámbrica es poco fiable.

Uniformes inteligentes y líneas de vida a distancia

Los avances recientes en el Internet de las Cosas Médicas han hecho posible integrar sensores en uniformes, pulseras o bandas torácicas que registran la frecuencia cardíaca, la temperatura, la saturación de oxígeno y más. Los sistemas anteriores a menudo dependían de enlaces de corto alcance como Bluetooth o Wi‑Fi, que funcionan bien cerca de una estación base pero tienen dificultades a través de colinas, bosques o convoyes en movimiento. Este trabajo se centra en LoRaWAN, una tecnología de radio de largo alcance y baja potencia que puede enviar pequeños paquetes de datos a cientos de metros o incluso kilómetros. El reto es que este enlace radioeléctrico puede perder paquetes, introducir retrasos y limitar la cantidad de datos enviados, factores que pueden confundir a los modelos de IA que esperan lecturas limpias y regulares.

Un marco llamado HEAL

Los autores presentan HEAL, un marco Health-Enhanced Adaptive LoRaWAN que conecta sensores wearables, una red LoRaWAN y modelos de IA en un sistema de extremo a extremo. Cada soldado lleva pequeños sensores que envían signos vitales seleccionados a través de una puerta de enlace LoRaWAN a un servidor central, donde la IA analiza ventanas temporales cortas de lecturas y clasifica el estado de salud como Bien, Alarmante o Crítico. “Adaptativo” aquí significa que la IA se elige y ajusta para mantener la precisión incluso cuando los datos llegan tarde, faltan ocasionalmente o contienen menos mediciones de las ideales, reflejando lo que realmente ocurre en una red de campo de baja potencia.

Enseñar a la IA a interpretar los signos vitales

Para entrenar y evaluar la IA, los investigadores utilizaron un gran conjunto de datos públicos de signos vitales en lugar de datos reales de batalla. Dado que el conjunto carecía de etiquetas de salud, pidieron a varios modelos de lenguaje grande que actuaran como “asistentes de etiquetado” automatizados, asignando cada registro a Bien, Alarmante o Crítico según combinaciones de frecuencia cardíaca, temperatura, nivel de oxígeno, presión arterial, tasa respiratoria y glucemia. Luego se empleó un esquema simple basado en reglas, fundamentado en guías médicas, para comprobar estas etiquetas por seguridad. El equipo limpió y equilibró los datos para que cada clase de salud estuviera bien representada, y después entrenó y comparó 13 modelos de aprendizaje profundo distintos que procesan series temporales de signos vitales, como redes LSTM y GRU. Un modelo LSTM bidireccional que analizaba ventanas cortas de tres señales centrales (frecuencia cardíaca, temperatura y nivel de oxígeno) alcanzó aproximadamente un 94 % de exactitud y un 95 % de macro F1-score, lo que indica que manejó de forma fiable estados de salud comunes y raros.

Integrar la IA en un enlace radiofrágil

A continuación, HEAL se probó dentro de un simulador detallado de LoRaWAN que imita cómo los paquetes viajan, colisionan o se pierden entre soldados en movimiento y una puerta de enlace. El mejor modelo de IA se desplegó en el servidor de aplicación simulado, que recibió los paquetes que lograban llegar y produjo predicciones de salud en tiempo real. El estudio varió la distancia entre soldados y puerta de enlace (200 a 1000 metros) y el factor de expansión (spreading factor) de la radio, que intercambia tiempo de aire por alcance y fiabilidad. En condiciones favorables, con distancias moderadas de 200 a 400 metros y factores de expansión bajos, la red entregó hasta el 91 % de los paquetes mientras la IA aún alcanzaba alrededor del 93 % de exactitud. A mayores distancias o factores de expansión más altos, la entrega de paquetes y el rendimiento cayeron y la energía por mensaje exitoso aumentó, destacando un claro compromiso entre alcance, fiabilidad y duración de la batería.

De modelos de laboratorio a misiones reales

Los investigadores también examinaron qué tan bien se trasladaban sus modelos de datos limpios de laboratorio a datos de campo más rudos y simulados que reflejan pérdida de paquetes y temporización irregular. Aplicados directamente, la precisión del modelo cayó hasta torno al 75 %; pero un ajuste fino cuidadoso con datos al estilo LoRaWAN restauró el rendimiento por encima del 92 %. Esto muestra que entrenar la IA con ejemplos conscientes de la comunicación es crucial si debe funcionar de forma fiable en despliegues reales, no solo en conjuntos de datos controlados.

Qué significa esto para la atención a soldados del futuro

En términos sencillos, este trabajo sugiere que es factible vigilar de forma continua la salud de los soldados con dispositivos wearables de baja potencia y enlaces inalámbricos de largo alcance, siempre que la IA y la red se diseñen conjuntamente. Un modelo de IA elegido con cuidado, entrenado con datos bien etiquetados y adaptado a las peculiaridades del canal radioeléctrico, puede seguir reconociendo cuándo un soldado pasa de estar bien a un estado alarmante o crítico aun cuando falten algunas lecturas. HEAL ofrece un plano que podría guiar sistemas futuros para unidades militares, equipos de respuesta a desastres o trabajadores en zonas remotas, donde la información oportuna sobre el estado de salud debe equilibrarse con el ancho de banda, la energía y la conectividad limitados.

Cita: Alghamdi, A., Alotaibi, R. & Alahmadi, H. HEAL: health-enhanced adaptive LoRaWAN for AI-based real-time soldier monitoring and status prediction. Sci Rep 16, 15213 (2026). https://doi.org/10.1038/s41598-026-44274-1

Palabras clave: monitorización de la salud de soldados, LoRaWAN, sensores wearables, predicción de salud con IA, Internet de las Cosas Médicas