Evaluación de la viabilidad de usar datos de smartphones para identificar el riesgo de hipertensión arterial pulmonar idiopática

Por qué tu teléfono podría ayudar a detectar un problema silencioso cardiopulmonar

La mayoría llevamos un smartphone y muchos usan un reloj que registra discretamente nuestros pasos, la frecuencia cardíaca y el sueño. Este estudio plantea una pregunta sencilla pero potente: ¿podrían esos rastros digitales cotidianos ayudar a los médicos a detectar antes una enfermedad cardiopulmonar rara y grave llamada hipertensión arterial pulmonar idiopática (HAPI), mucho antes de que las personas lleguen a una clínica especializada? Los investigadores exploraron años de datos del mundo real procedentes de teléfonos, relojes y cuestionarios dentro de la app para ver si patrones sutiles en el movimiento diario y las señales cardiacas podían revelar quién tiene mayor riesgo.

Una enfermedad difícil de detectar

La HAPI estrecha los vasos sanguíneos que llevan la sangre del corazón a los pulmones. Con el tiempo, esto provoca dificultad para respirar, agotamiento y riesgo de insuficiencia cardíaca. Sin embargo, los signos de alarma tempranos son vagos—cansancio, falta de aire al hacer esfuerzo—y la prueba definitiva requiere un procedimiento invasivo de cateterismo cardíaco en un centro especializado. Muchos pacientes esperan alrededor de tres años desde los primeros síntomas hasta el diagnóstico, momento en el que la enfermedad está más avanzada y es más difícil de tratar. El equipo de este estudio quiso saber si el seguimiento continuo y pasivo de la actividad cotidiana podría proporcionar una pista temprana de que algo va mal.

Convertir el movimiento diario en pistas de salud

Los investigadores emplearon la app My Heart Counts para iPhone, que se conecta a los datos de Apple Health tanto del teléfono como del Apple Watch. Reclutaron a 109 personas en el Reino Unido que ya poseían un iPhone, entre ellas 33 con HAPI confirmada, 14 con otras enfermedades graves (principalmente tras COVID-19 severo) y 61 voluntarios sanos. Para algunos pacientes pudieron revisar meses o incluso años antes del diagnóstico usando datos históricos guardados en el teléfono. Examinaron medidas simples como cuántos pasos daba la gente, la velocidad al caminar, cuántas plantas de escaleras subían, cómo se comportaba la frecuencia cardíaca en reposo y durante el movimiento, y cómo dormían por la noche. Los participantes también respondieron preguntas sobre estilo de vida, estado de ánimo y actitudes hacia el ejercicio y la enfermedad.

Lo que los datos revelaron sobre la vida diaria

Las personas que desarrollaron HAPI ya se movían menos y a un ritmo más lento que los voluntarios sanos, incluso antes de ser diagnosticadas. Daban menos pasos, subían menos escaleras y caminaban a un ritmo más lento. Su frecuencia cardíaca en reposo tendía a ser más alta y la variabilidad entre latidos era menor—indicios de que el organismo trabajaba más y se adaptaba peor. También pasaban más tiempo despiertos por la noche. Tras el diagnóstico y el tratamiento, estas medidas mejoraron en general: los pacientes caminaban más, subían más escaleras y sus ritmos cardíacos se volvieron más calmados y flexibles, reflejando mejoras observadas en las pruebas clínicas estándar de caminata de seis minutos. Las respuestas a los cuestionarios sobre mentalidad y estilo de vida añadieron otra capa: las personas con HAPI eran más propensas a dudar de que su nivel de actividad actual fuera beneficioso y con más frecuencia veían la enfermedad como algo fijo o genético, en lugar de algo que el estilo de vida pudiera influir.

Enseñar a los ordenadores a reconocer el riesgo

Para comprobar si estas señales digitales podían ayudar a señalar la HAPI, el equipo entrenó modelos de aprendizaje automático con los datos de la app. Usando solo información anterior al diagnóstico, los modelos basados en datos de reloj (incluida la frecuencia cardíaca) pudieron distinguir HAPI de controles sanos y con otras enfermedades con bastante precisión, con una medida de exactitud llamada AUC ROC de alrededor de 0,87. Los datos de actividad solo del teléfono también funcionaron bien, y añadir respuestas seleccionadas del cuestionario—especialmente sobre estilo de vida y satisfacción con la vida—llevó el rendimiento hasta 0,94. Cuando intentaron el mismo enfoque en un grupo separado de usuarios de la app en EE. UU., los modelos rindieron peor al principio, principalmente porque los patrones de actividad y los antecedentes de salud difieren entre países. Pero después de reentrenar el sistema con una pequeña porción de datos estadounidenses para tener en cuenta esas diferencias, el modelo volvió a alcanzar una precisión útil (AUC ROC alrededor de 0,74), lo que sugiere que tales herramientas podrían adaptarse a distintas poblaciones.

Qué podría significar esto para los pacientes

Para un lector general, el mensaje clave es que los pasos que das, el ritmo al que caminas y cómo responde tu frecuencia cardíaca en la vida diaria llevan información significativa sobre la salud—incluso cuando solo te sientes vagamente indispuesto. Este estudio, aunque todavía pequeño y exploratorio, muestra que datos simples recogidos de forma pasiva por dispositivos de consumo, combinados con unas pocas encuestas breves, pueden reflejar resultados de pruebas hospitalarias y ayudar a separar a personas con una condición grave pero oculta de quienes están sanos o tienen otros problemas. Los autores subrayan que hacen falta estudios mucho más grandes y diversos antes de que tales herramientas puedan orientar la atención, y que los patrones observados no son exclusivos de la HAPI. Aun así, su trabajo apunta hacia un futuro en el que teléfonos y wearables actúen como compañeros de alerta temprana, ayudando a pacientes y médicos a detectar cambios peligrosos en la salud cardiopulmonar antes, con pruebas menos invasivas y tratamientos más oportunos.

Cita: Delgado-SanMartin, J.A., Keles, M., Errington, N. et al. Assessing the feasibility of using smartphone data to identify risk of idiopathic pulmonary arterial hypertension. npj Cardiovasc Health 3, 16 (2026). https://doi.org/10.1038/s44325-026-00114-9

Palabras clave: salud digital, hipertensión pulmonar, sensores vestibles, monitorización por smartphone, aprendizaje automático en medicina