La vigilancia de nuestra respiración es uno de los indicadores más críticos para detectar a tiempo complicaciones de salud, desde la apnea del sueño hasta enfermedades crónicas como la EPOC. Sin embargo, los métodos tradicionales suelen requerir visitas a clínicas o el uso de equipos incómodos que dificultan el seguimiento continuo en el hogar.
Para solucionar este problema, un equipo de investigadores de la Universidad de Windsor ha desarrollado un nuevo sensor wearable, ligero y sin cables, que utiliza inteligencia artificial avanzada para identificar con una precisión sorprendente diferentes tipos de respiración. Este dispositivo no solo mide si estamos respirando, sino que es capaz de distinguir entre patrones normales, tos, respiración profunda o incluso bostezos, alcanzando una tasa de éxito del 93.41%.
Lo que hace especial a esta propuesta es su enfoque combinado, al utilizar dos sensores distintos que trabajan juntos para evitar errores causados por el movimiento del cuerpo. Este avance, publicado recientemente en la revista científica Nature Scientific Reports, abre la puerta a una monitorización médica mucho más accesible y discreta para pacientes en cualquier lugar del mundo.
¿En qué consiste esta tecnología de monitorización inteligente?
El sistema se basa en un pequeño dispositivo que se coloca en el pecho y que integra dos componentes fundamentales para captar señales corporales. El primero es una unidad de medida inercial (IMU), que detecta los movimientos de rotación y aceleración del tórax. El segundo es un sensor de flexión, una tira flexible que mide físicamente cómo se expande y contrae el pecho al inhalar y exhalar.
La clave del éxito reside en el procesamiento de estos datos mediante un microprocesador ESP32-C3 de bajo consumo que envía la información de forma inalámbrica a través de Bluetooth a una aplicación móvil. Una vez allí, la magia ocurre gracias a modelos de inteligencia artificial que han sido entrenados para interpretar estas señales complejas.
Los investigadores probaron varios cerebros digitales para el sistema, incluyendo redes neuronales y modelos estadísticos. El ganador indiscutible fue un modelo de tipo Transformer, una arquitectura similar a la que utiliza ChatGPT, pero adaptada para entender secuencias de datos temporales. Este modelo demostró ser el más capaz de entender las sutiles diferencias entre una respiración normal y un episodio de tos.
Por qué el uso de dos sensores cambia las reglas del juego
Hasta ahora, muchos dispositivos similares fallaban porque utilizaban un solo tipo de sensor. Si el paciente se movía, se levantaba de la cama o caminaba, el sensor podía confundir ese movimiento físico con un cambio en la respiración, arrojando datos incorrectos. Al combinar la información del movimiento (IMU) con la expansión física (flexión), el sistema compensa los errores de cada uno.
Esta combinación, conocida como fusión de sensores multimodal, permite que la precisión aumente significativamente. Por ejemplo, en las pruebas realizadas, el modelo que solo usaba el sensor flexible apenas superaba el 70% de precisión, mientras que el sistema combinado saltó por encima del 93%. Esto significa que el dispositivo es mucho más robusto frente a las actividades de la vida diaria del usuario.
Además, el sistema es capaz de detectar hasta seis patrones distintos con gran detalle:
- Respiración normal.
- Respiración profunda.
- Respiración superficial.
- Tos.
- Contención de la respiración o apnea.
- Bostezos.
Este nivel de detalle es vital, ya que la detección de la tos con un 91% de precisión podría ayudar a monitorizar la evolución de infecciones respiratorias de forma automática. Del mismo modo, detectar la respiración superficial es crucial para pacientes con asma o insuficiencia cardíaca.
Contexto científico y desarrollo del proyecto
Este trabajo ha sido liderado por Carter Comeau y el doctor Mohammed Jalal Ahamed en la Universidad de Windsor, en Canadá. El estudio contó con la participación de 20 adultos jóvenes sanos para validar que los sensores captaban correctamente la fisiología humana. Para asegurar que los datos fueran veraces, se compararon las lecturas del wearable con un espirómetro profesional de grado clínico.
Durante el desarrollo, los científicos enfrentaron desafíos interesantes, como la similitud mecánica entre un bostezo y una respiración profunda. Aunque ambos implican una gran expansión del pecho, la IA aprendió a buscar pequeñas diferencias en el tiempo y la intensidad para distinguirlos. También implementaron una técnica llamada focal loss, que ayuda al modelo a no ignorar patrones que ocurren con menos frecuencia, como los ataques de tos, mejorando la confianza del sistema.
El proyecto recibió apoyo de instituciones como el WE-SPARK Health Institute y el Consejo de Investigación de Ciencias Naturales e Ingeniería de Canadá (NSERC). Según los resultados presentados en su estudio publicado, el sistema ya es capaz de funcionar fuera de los entornos de entrenamiento, incluso ejecutándose en navegadores web gracias a formatos de modelos estandarizados como ONNX.
¿Qué significa esto para el futuro de la salud?
Aunque el estudio se realizó inicialmente con participantes sanos, el éxito del 93% en la clasificación de patrones sugiere que estamos ante una base sólida para futuras herramientas de diagnóstico clínico. El objetivo final es llevar esta tecnología a personas con trastornos respiratorios reales para validar su eficacia en el mundo real.
Imagine un futuro donde su médico pueda recibir una alerta si su patrón de respiración nocturna cambia ligeramente antes de que usted mismo lo note, permitiendo una intervención temprana. O donde los deportistas puedan optimizar su rendimiento analizando su técnica respiratoria con el mismo detalle que un profesional de laboratorio.
La combinación de hardware de bajo coste con algoritmos de IA de alta fidelidad está democratizando el acceso a la medicina de precisión. Lo que antes requería máquinas costosas y cables por todo el cuerpo, ahora puede hacerse con una pequeña banda adhesiva y un teléfono inteligente. Es un paso realista y prometedor hacia una salud más preventiva y personalizada.
La fotografía de representación de este artículo pertenece a Eli DeFaria y ha sido publicada en Unsplash
