Los datos de frecuencia cardíaca de los smartwatches predicen la calidad del sueño con un 90% de precisión mediante IA
Los investigadores utilizaron relojes inteligentes Samsung para registrar los patrones de frecuencia cardíaca durante el día y, a partir de esos datos, predijeron las interrupciones del sueño de la noche siguiente con un 90% de precisión.
Resumen
Investigadores surcoreanos desarrollaron un sistema de inteligencia artificial que predice la calidad del sueño analizando la variabilidad de la frecuencia cardíaca registrada con relojes inteligentes Samsung durante el día. El estudio realizó un seguimiento de 82 participantes durante un máximo de 28 días, midiendo los patrones cardíacos diurnos para pronosticar alteraciones del sueño en la noche siguiente. Su red neuronal LSTM alcanzó una precisión del 90% en la predicción del despertar tras el inicio del sueño (WASO, por sus siglas en inglés), un indicador clave del sueño de mala calidad. La relación LF/HF derivada de la variabilidad de la frecuencia cardíaca resultó ser el predictor más sólido, con valores más elevados asociados a un sueño más fragmentado.
Resumen detallado
La alteración del sueño afecta hasta al 50% de los adultos, pero predecir las noches de mal sueño antes de que ocurran podría permitir intervenciones proactivas. Este estudio coreano demuestra cómo los datos cotidianos de un smartwatch pueden pronosticar la calidad del sueño con una precisión notable.
Los investigadores realizaron el seguimiento de 82 participantes en experimentos llevados a cabo durante el invierno y el verano de 2023, recopilando datos continuos de variabilidad de la frecuencia cardíaca (HRV) a partir de dispositivos Samsung Galaxy Watch Active 2 usados durante las horas de vigilia. Los participantes se quitaban los relojes al acostarse para cargarlos, por lo que todos los datos predictivos procedían de los patrones diurnos. El equipo utilizó siete días de datos de HRV previos para predecir el tiempo de vigilia tras el inicio del sueño (WASO) del día siguiente, es decir, el tiempo que el participante permanecía despierto tras haberse dormido inicialmente.
El hallazgo más destacado fue que la ratio LF/HF —una medida del equilibrio entre el sistema nervioso simpático y el parasimpático— correlacionó fuertemente con la fragmentación del sueño. Los participantes con ratios LF/HF más elevadas experimentaron un WASO casi el doble (14,9 frente a 7,5 minutos). Al introducirse en una red neuronal LSTM junto con las puntuaciones de cuestionarios sobre el sueño, se alcanzó una precisión del 90,4% en la predicción de las noches de mal sueño.
Este enfoque podría revolucionar la medicina del sueño al pasar del tratamiento reactivo a la prevención predictiva. En lugar de abordar el insomnio una vez que ya se ha producido, las personas podrían recibir recomendaciones personalizadas basadas en sus patrones de estrés diurno. El sistema no solo identificó quién dormiría mal, sino que también proporcionó información explicable sobre el porqué: principalmente, el desequilibrio del sistema nervioso autónomo reflejado en los patrones de frecuencia cardíaca.
El punto fuerte del estudio reside en su aplicabilidad en entornos reales mediante dispositivos de consumo, aunque el grupo de participantes relativamente joven (edad media de 25 años) y los períodos de seguimiento breves limitan la generalización a adultos mayores con trastornos crónicos del sueño.
Hallazgos clave
- LSTM neural networks predicted next-day sleep disruptions with 90.4% accuracy using smartwatch data
- LF/HF heart rate ratio was the strongest predictor, with higher ratios doubling wake time
- Seven days of daytime heart patterns provided sufficient data for reliable sleep forecasting
- Consumer Samsung smartwatches generated clinically relevant sleep predictions
- Participants with higher stress ratios had 14.9 vs 7.5 minutes of nighttime wake time
Metodología
Estudio prospectivo de 82 participantes que utilizaron dispositivos Samsung Galaxy Watch Active 2 durante dos períodos de 26 a 28 días en 2023. Las características de variabilidad de la frecuencia cardíaca extraídas de señales PPG diurnas se emplearon para entrenar múltiples modelos de aprendizaje automático con el fin de predecir el WASO del día siguiente.
Limitaciones del estudio
La población del estudio estaba compuesta predominantemente por adultos jóvenes (edad promedio de 25 años), lo que limita la aplicabilidad de los resultados en poblaciones de mayor edad. Los períodos de seguimiento cortos y la retirada de los dispositivos durante el sueño pueden dejar sin detectar patrones nocturnos importantes que influyen en la calidad del sueño.
¿Te ha gustado este resumen?
Recibe la última investigación sobre longevidad en tu bandeja de entrada cada semana.
Introduce tu correo electrónico para suscribirte: