Datos de sueño y temperatura de dispositivos wearables respaldan la detección no invasiva de diabetes mellitus en un análisis retrospectivo a gran escala

Por qué tu sueño y tu calor corporal pueden revelar diabetes oculta

Millones de personas viven con diabetes sin saberlo, en parte porque las pruebas habituales suelen realizarse solo después de que aparecen síntomas preocupantes. Este estudio plantea una pregunta simple pero potente: ¿podrían los anillos y relojes inteligentes que mucha gente ya usa señalar de forma silenciosa signos tempranos de diabetes, mucho antes de una visita clínica? Al analizar meses de datos de sueño, ritmo cardíaco y temperatura corporal de miles de voluntarios, los investigadores muestran que los wearables comunes pueden detectar cambios sutiles y duraderos en el cuerpo que están fuertemente vinculados con la diabetes.

Anillos inteligentes como ventanas a la salud

El equipo se basó en datos de más de 33.000 personas que usaban un anillo inteligente popular que registra la frecuencia cardíaca, la variabilidad de la frecuencia cardíaca, las etapas del sueño y la temperatura en la superficie del dedo. Entre estos usuarios, casi 11.000 informaron que nunca les habían diagnosticado diabetes, mientras que 389 reportaron un diagnóstico de diabetes. Durante más de cuatro meses en 2020, el anillo registró la rapidez de sus latidos nocturnos, la variabilidad de esos latidos, la duración y la eficiencia del sueño, y cómo subía y bajaba la temperatura del dedo a lo largo del día y la noche. A partir de estas corrientes continuas, los científicos construyeron 36 medidas nocturnas diseñadas para capturar no solo promedios simples, sino también ritmos diarios y la complejidad de los cambios de temperatura corporal durante el sueño.

Patrones ocultos en el sueño y la temperatura corporal

Cuando los investigadores compararon los grupos, las personas que declararon tener diabetes mostraron diferencias consistentes respecto a quienes no tenían diagnóstico. En promedio, presentaban frecuencias cardíacas nocturnas más altas, menor variabilidad de la frecuencia cardíaca (un signo de un sistema nervioso menos flexible), sueño algo más corto y una oscilación día–noche de la temperatura del dedo más pequeña. El equipo también creó características de temperatura más avanzadas que describen qué tan estable es el ritmo de temperatura de alguien durante 24 horas y cuán intrincado es el patrón minuto a minuto de la temperatura en la mitad de la noche. Estas medidas más ricas resultaron especialmente informativas, lo que sugiere que la diabetes remodela silenciosamente cómo el cuerpo regula el calor y el sueño a lo largo de muchas noches, no solo en instantáneas aisladas.

Enseñar a los algoritmos a detectar riesgo

Para ver si estas señales de los wearables podían distinguir realmente a las personas con diabetes, el equipo entrenó modelos de aprendizaje automático con ventanas móviles de 1 a 21 noches de datos. La idea era que si la diabetes produce cambios pequeños pero persistentes en la fisiología, varias semanas de mediciones deberían hacer que esos cambios se hicieran evidentes. Esto es precisamente lo que encontraron: usar solo una noche de datos ofrecía un rendimiento modesto, pero introducir 14 o 21 noches permitió que el mejor modelo alcanzara una alta puntuación de precisión (un AUROC de alrededor de 0,88) y una buena precisión predictiva. En otras palabras, más de tres semanas de uso típico en casa fueron suficientes para que el algoritmo separara a las personas con diabetes de las que no la tenían, mucho mejor que por azar.

Diferenciando la diabetes de otras enfermedades crónicas

Muchas afecciones crónicas, como la hipertensión o la apnea del sueño, también pueden alterar el sueño y los patrones cardíacos. Los investigadores temían que su modelo pudiera simplemente detectar «estar enfermo» en general en lugar de diabetes en particular. Para comprobarlo, examinaron a personas que dijeron no tener diabetes pero sí reportaron otra enfermedad crónica. Esas personas no obtuvieron puntuaciones semejantes a las de diabetes significativamente más altas que las de quienes no reportaron condiciones crónicas. De forma crucial, cuando el equipo eliminó las características de temperatura más avanzadas del modelo, las personas con otras enfermedades crónicas comenzaron a ser confundidas con casos de diabetes con mayor frecuencia. Esto demuestra que los patrones detallados de la temperatura corporal ayudan al sistema a ser más específico para la diabetes, en lugar de señalar todo tipo de problemas de salud.

Qué podría significar esto para la salud cotidiana

Por último, los autores comprobaron cómo funcionaría su mejor modelo en una población más realista, donde solo una minoría de personas tiene diabetes. Incluso en esta prueba más exigente, usando miles de usuarios adicionales y conservando una tasa típica de diabetes, el sistema siguió detectando mucha más señal que el azar. Para un lector no especializado, el mensaje es sencillo: semanas de datos pasivos y simples de un anillo o reloj—cómo duermes, cómo se comporta tu corazón por la noche y cómo sube y baja la temperatura de tu piel—contienen suficiente información para señalar una fisiología consistente con la diabetes. Aunque esto no reemplaza las pruebas sanguíneas, apunta hacia un futuro en el que los wearables cotidianos sugieran discretamente quién debería buscar pruebas antes y, quizás, ayuden a monitorizar condiciones crónicas en segundo plano de la vida diaria.

Cita: Viswanath, V.K., Navaneethan, S., Burks, J.H. et al. Sleep and temperature data from wearable devices support noninvasive detection of diabetes mellitus in a large-scale, retrospective analysis. Commun Med 6, 223 (2026). https://doi.org/10.1038/s43856-026-01501-0

Palabras clave: dispositivos wearables, patrones de sueño, temperatura corporal, detección de diabetes, salud digital