Superar la pérdida de datos en la detección de enfermedades con dispositivos vestibles mediante imputación basada en GAN

Por qué importan los datos faltantes de los dispositivos vestibles

Los rastreadores de actividad y los relojes inteligentes ofrecen una promesa seductora: ¿y si pudieran avisarnos de una infección días antes de que nos sintamos enfermos? En muchas partes del mundo, especialmente en regiones rurales con pocas clínicas y laboratorios, ese tipo de aviso temprano podría marcar la diferencia entre una enfermedad leve y una peligrosa. Pero en la práctica, la gente se olvida de ponerse los dispositivos, las baterías se agotan y las conexiones a internet fallan. Este estudio aborda una pregunta simple pero crítica: ¿podemos rescatar esas corrientes de datos fragmentadas lo suficiente como para seguir detectando signos tempranos de enfermedad?

Convertir las lagunas en una señal útil

Los investigadores se centraron en datos de frecuencia cardíaca de dispositivos de muñeca, porque la frecuencia cardíaca en reposo por la noche tiende a aumentar sutilmente antes de que aparezcan los síntomas. En lugar de descartar las noches con lecturas faltantes, usaron un tipo de inteligencia artificial llamada red adversaria generativa (GAN) para rellenar los huecos. Piensa en la GAN como un adivinador muy hábil que ha aprendido los patrones típicos del ritmo cardíaco diario y puede reconstruir lo que probablemente ocurrió durante las horas faltantes, permitiendo al mismo tiempo cambios inusuales causados por una infección.

Probar la idea en dos enfermedades muy diferentes

Para ver si este enfoque funciona en el mundo real, el equipo estudió dos grandes grupos de personas. Uno fue una cohorte de COVID‑19 en Estados Unidos con más de 3.000 participantes que, en general, tenían datos vestibles fiables. El otro fue una cohorte mucho más pequeña de malaria en el oeste rural de Kenia, donde solo se registró aproximadamente la mitad de las lecturas de frecuencia cardíaca esperadas debido a problemas de carga, conectividad y tiempo de uso. De forma notable, la GAN se entrenó solo con los datos de COVID‑19, y aun así logró reconstruir patrones de frecuencia cardíaca creíbles en el grupo de malaria sin ningún reentrenamiento.

Encontrar infecciones ocultas en la Kenia rural

En el estudio de malaria en Kenia, 300 adultos llevaron pulseras mientras los trabajadores de campo los sometían regularmente a pruebas de malaria y recogían diarios de síntomas. Los autores combinaron las frecuencias cardíacas nocturnas reconstruidas por la GAN con un sistema simple basado en reglas que vigila aumentos sostenidos por encima de la línea base habitual de cada persona. De 161 infecciones por malaria, su sistema emitió alertas tempranas en 100 casos, y en 42 de esos casos una alerta no habría ocurrido en absoluto sin rellenar los datos faltantes. En promedio, estas alertas aparecieron alrededor de 12 días antes de que las personas informaran síntomas, lo que casi coincide con el tiempo conocido que tardan los parásitos de la malaria en multiplicarse en la sangre. Incluso con una pérdida de datos significativa, las alertas tendían a aparecer durante 3,5 días consecutivos dentro de la ventana de infección, lo que aumenta la probabilidad de que los trabajadores de salud las notaran y actuaran.

Equilibrar precisión, claridad y practicidad

El equipo comparó la GAN con métodos comunes de rellenado de huecos, desde enfoques muy simples como llevar adelante el último valor hasta modelos estadísticos más avanzados. En ambos grupos de enfermedad, la GAN generalmente produjo las reconstrucciones más precisas y preservó mejor los ritmos naturales día‑noche de la frecuencia cardíaca, incluso cuando más del 70% de los datos faltaban. Cuando estas señales mejoradas se introdujeron en modelos automatizados de detección de infecciones, tanto la sensibilidad (captar casos reales) como la precisión (evitar falsas alarmas) aumentaron. Al mismo tiempo, la GAN fue diseñada para ser ligera y rápida, de modo que eventualmente podría ejecutarse en ordenadores básicos o dispositivos edge en lugares con energía y conectividad limitadas.

Lo que esto podría significar para la atención cotidiana

Para el público general, la idea clave es que los datos faltantes de los vestibles no son solo ruido para desechar. Con el tipo adecuado de reconstrucción inteligente, esos huecos pueden volver a convertirse en una señal de alerta significativa. Este estudio muestra que un modelo de IA entrenado en una enfermedad (COVID‑19) puede ayudar a detectar otra (malaria) en un entorno muy diferente, proporcionando a los trabajadores de salud una semana o más de aviso en muchos casos. Si se despliegan de forma segura y ética, tales sistemas podrían ayudar a los agentes comunitarios de salud a decidir a quién evaluar, cuándo visitar y cómo priorizar recursos escasos, desplazando la atención de reaccionar a la enfermedad avanzada hacia la detección silenciosa de infecciones cuando aún hay tiempo para intervenir.

Cita: Wallner, J., Berbuir, S., Birner, L. et al. Overcoming Data Loss in Wearable Disease Detection with GAN-Based Imputation. npj Digit. Med. 9, 275 (2026). https://doi.org/10.1038/s41746-026-02518-4

Palabras clave: sensores vestibles, detección de enfermedades infecciosas, malaria, imputación de datos faltantes, salud digital en entornos con pocos recursos